Sistem Pakar
SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT MATA DENGAN METODE BAYESIAN NETWORK
ABSTRAK
Tidak semua penderita penyakit mata dapat
mengetahui penyakit mata. Keterbatasan pengetahuan di bidang medis, masalah
finansial serta kesulitan transportasi untuk ke dokter spesialis mata membuat
penderita penyakit mata tidak mendapat penanganan yang tepat. Untuk itu
dibutuhkan suatu aplikasi yang dapat melakukan aksi seperti dokter spesialis
mata. Pada tugas akhir ini, dibuat suatu aplikasi sistem pakar penyakit mata
menggunakan metode bayesian network. Bayesian network digunakan karena dapat
menghitung probabilitas penyakit mata dari berbagai gejala yang ada. Bayesian
network juga dapat merepresentasikan gejala penyakit mata ke dalam sebuah model
grafis. Pengujian dilakukan dengan metode black box dan user acceptance test.
Hasil pengujian dapat disimpulkan bahwa metode bayesian network dapat
memberikan hasil berupa nilai probabilitas jenis penyakit mata berdasakan
gejala yang dipilih. Sistem pakar untuk mendiagnosa penyakit mata dengan metode
bayesian network memberikan solusi dalam mengatasi penyakit mata yang diderita
beserta nilai probabilitas secara tepat dan sedini mungkin.
BAB I
PENDAHULUAN
1.1 Latar Belakang
Sistem pakar (expert system) adalah
sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer
dapat menyelesaikan masalah seperti layaknya para pakar (expert). Sistem pakar
yang baik dirancang agar dapat menyelesaikan suatu permasalahan tertentu dengan
meniru kerja dari para pakar atau ahli. Dengan pengembangan sistem pakar, diharapkan
bahwa orang awam dapat menyelesaikan masalah yang cukup rumit yang sebenarnya
hanya dapat diselesaikan dengan bantuan para ahli. Bagi para ahli, sistem pakar
ini juga akan membantu aktifitasnya sebagai asisten yang sangat berpengalaman.
Kepakaran manusia tidak bertahan lama, dapat hilang karena kematian, pensiun,
atau berpindah tempat kerja. Dalam pengambilan kesimpulan, pakar dapat
dipengaruhi oleh beberapa faktor yang dapat memepengaruhi hasil pengambilan
kesimpulan tersebut. Sistem pakar memberikan hasil yang lebih konsisten dari
pada pakar. Sistem pakar juga dapat melakukan pengambilan kesimpulan dalam
waktu yang konsisten, bahkan dalam beberapa kasus dapat menghasilkan kesimpulan
lebih cepat dari pada pakar. Sistem pakar banyak dikembangkan dalam berbagai
bidang, termasuk dalam bidang diagnosis medis. Saat ini kebutuhan manusia akan
pelayanan medis yang lebih baik sangat mendesak, yang berarti dukungan
instrumentasi dan informatika medis modern (telemedis) menjadi sangat
dibutuhkan termasuk metode untuk membantu analisisnya sehingga dihasilkan
diagnosis yang lebih optimal. Salah satu dari sekian banyak penyakit adalah
penyakit pada mata. Mata adalah suatu panca indra yang sangat penting dalam
kehidupan manusia untuk melihat. Dengan mata melihat, manusia dapat menikmati
keindahan alam dan berinteraksi dengan lingkungan sekitar dengan baik. Jika
mata mengalami gangguan atau penyakit mata, maka akan berakibat sangat fatal
bagi kehidupan manusia. Tidak semua penderita penyakit mata dapat mengetahui penyakit
mata apa yang diderita karena
keterbatasan pengetahuan di bidang medis, masalah finansial serta kesulitan
transportasi untuk ke dokter spesialis mata yang cenderung hanya ada di kota
saja sehingga tidak mendapatkan perhatian dan tindakan yang tepat untuk
mengatasi penyakit mata. Jadi sudah seharusnya mata merupakan anggota tubuh
yang perlu dijaga dalam kesehatan sehari-hari. Sebelumnya telah dilakukan
penelitian tentang sistem pakar untuk mendiagnosa penyakit mata oleh Hamdani
dari Universitas Mulawarman pada tahun 2010. Pada penelitian tersebut belum
memberikan persentase keyakinan hasil diagnosa penyakit berdasarkan gejala yang
dipilih pengguna, sehingga pengguna tidak mengetahui besar kemungkinan penyakit
yang didiagnosa. Penerapan metode bayesian network pada sistem pakar pernah
diteliti oleh Indyana Meigarani dari Universitas Pendidikan Indonesia pada
tahun 2010. Pada penelitian tersebut metode bayesian network digunakan hanya
untuk mendiagnosa penyakit leukimia dengan hasil positif dan negatif saja.
Bayesian network dapat digunakan untuk menghitung probabilitas dari kehadiran
berbagai gejala penyakit. Sulit menentukan jenis penyakit mata karena rumitnya
berbagai gejala yang mengiringinya, dapat dibantu dengan merepresentasikan
gejala penyakit mata ke dalam sebuah model grafis dalam bayesian network. Dalam
tugas akhir ini dibangun sebuah sistem pakar berbasis web menggunakan metode
bayesian network dengan memperhatikan gejala-gejala yang dialami yang akan
membantu penderita penyakit mata dalam mendiagnosa jenis penyakit mata apa yang
diderita, berdasarkan inputan yang diberikan pada sistem menggunakan layanan
internet tanpa harus datang ke dokter spesialis mata. Sehingga pengguna dapat
mengetahui probabilitas atau besar kemungkinan jenis penyakit mata yang
didiagnosa dan mendapatkan solusi dalam mengatasi penyakit yang diderita secara
tepat dan sedini mungkin.
1.2 Rumusan Masalah
Berdasarkan latar belakang masalah di
atas, maka penulis merumuskan masalah yang ada agar tidak terjadi kerancuan.
Perumusan masalah yang dibahas I-3 adalah: “Bagaimana merancang dan membangun
suatu program sistem pakar berbasis web untuk mendiagnosa penyakit mata
menggunakan metode bayesian network”.
1.3 Batasan Masalah
Agar pembahasan dalam membangun suatu sistem pakar
mendiagnosa penyakit mata tidak terlalu luas, namun dapat dicapai hasil yang
optimal, maka ruang lingkup dibatasi pada proses : 1. Basis pengetahuan hanya
terdiri dari beberapa jenis penyakit mata yang mudah didiagnosa dengan hanya
melihat gejalanya saja yaitu: Episkleritis, konjungtivitis, keratitis,
skleritis, hordeolum, uveitis beserta gejala penyakit mata. 2. Hasil dari
sistem pakar ini hanya sebagai diagnosis awal penyakit mata, bukan sebagai
rujukan utama dalam diagnosis penyakit mata.
BAB II
LANDASAN TEORI
2.1 Kecerdasan Buatan
Kecerdasan buatan ( artificial
inteligence ) merupakan cabang dari ilmu komputer yang konsern dengan
pengautomatisasi tingkah laku cerdas sehingga mesin (komputer) dapat melakukan
pekerjaan seperti yang sebaik dilakukan manusia (Anita, 2006). Pengertian
kecerdasan buatan dapat dipandang dari berbagai sudut pandang, antara lain:
1.
Sudut pandang kecerdasan. Kecerdasan buatan akan membuat mesin
menjadi cerdas
dalam arti mampu berbuat seperti apa
yang dilakukan manusia.
2.
Sudut pandang penelitian. Kecerdasan buatan adalah suatu studi
bagaimana membuat agar komputer dapat melakukan sesuatu sebaik yang dikerjakan
manusia.
3.
Sudut pandang bisnis. Kecerdasan buatan adalah kumpulan
peralatan yang sangat
powerful dan metodologis dalam
mnyelesaikan masalah-masalah bisnis.
4.
Sudut pandang pemrograman. Kecerdasan meliputi studi tentang
pemrograman
simbolik, penyelesaian masalah dan
pencarian.
Lingkup Utama dari kecerdasan buatan adalah
sebagai berikut :
1.
Sistem
Pakar ( Expert System ). Di sini komputer digunakan untuk menyimpanpengetahuan
para pakar.
2.
Pengelolaan
Bahasa Alami ( Natural Language Processing ). Dengan
pengolahan
bahasa alami ini diharapkan user dapat berkomunikasi dengan komputer dengan
menggunakan bahasa sehari-hari.
3.
Pengenalan
Ucapan ( Speech Recognition ). Melalui pengenalan ucapan
diharapkan
manusia dapat berkomunikasi dengan komputer dengan menggunakan suara.
4. Robotika & Sistem Sensor ( Robotics &
Sensory System).
5. Computer Visio, mencoba untuk dapat menginterprestasikan
gambar
6. Intelligent Computer-aided Instruction.
Komputer dapat digunakan sebagai tutor melatih dan mengajar
7. Game Playing.
Jika dibandingkan dengan kecerdasan alami
(kecerdasan yang dimiliki manusia), kecerdasan buatan memiliki beberapa keuntungan
secara komersial, antara lain :
1.
Lebih Permanen.
2. Memberikan
kemudahan dalam duplikasi dan penyebaran.
3.
Relatif lebih murah dari kecerdasan alamiah.
4. Konsisten dan teliti.
5. Dapat didokumentasikan.
6.
Dapat mengerjakan beberapa task dengan lebih cepat dan lebih baik
dibandingkan manusia.
2.2 Sistem Pakar
Sistem Pakar ( Expert System ) adalah
sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer
dapat menyelesaikan masalah seperti biasa yang dilakukan para ahli (Anita,
2006). Sistem pakar merupakan program yang dapat menggantikan keberadaan
seorang pakar.
Alasan mendasar sistem pakar
dikembangkan menggantikan seorang pakar adalah sebagai berikut :
1. Dapat menyediakan kepakaran setiap waktu
dan di berbagai lokasi.
2.
Secara otomatis mengerjakan tugas-tugas rutin yang membutuhkan seorang
pakar.
3. Seorang pakar akan pensiun atau
pergi.
4. Menghadirkan atau menggunkan jasa
seorang pakar memerlukan biaya yang mahal.
5. Kepakaran dibutuhkan juga pada
lingkungan yang tidak bersahabat (hostile environment).
Ada berbagai ciri dan karakteristik yang
membedakan sistem pakar dengan sistem yang lain. Ciri dan karakteristik ini
menjadi pedoman utama dalam pengembangan sistem pakar. Ciri dan karakteristik
yang dimaksud adalah sebagai berikut:
1. Pengetahuan sistem pakar merupakan suatu
konsep, bukan berbentuk numerik. Hal ini dikarenakan komputer melakukan proses
pengolahan data secara numerik sedangkan keahlian dari seorang pakar adalah
fakta dan aturan-aturan, bukan numerik.
2. Informasi dalam sistem pakar tidak selalu
lengkap, subjektif, tidak konsisten, subjek terus berubah dan tergantung pada
kondisi lingkungan sehingga keputusan yang diambil bersifat tidak pasti dan
tidak mutlak "ya" atau "tidak" akan tetapi menurut ukuran
kebenaran tertentu. Oleh karena itu dibutuhkan kemampuan sistem untuk belajar
secara mandiri dalam menyelesaikan masalah-masalah dengan
pertimbangan-pertimbangan khusus.
3. Kemungkinan solusi sistem pakar terhadap
suatu permasalahan adalah bervariasi dan mempunyai banyak pilihan jawaban yang
dapat diterima, semua faktor yang ditelusuri memiliki ruang masalah yang luas
dan tidak pasti. Oleh karena itu diperlukan fleksibilitas sistem dalam
menangani kemungkinan solusi dari berbagai permasalahan.
4. Perubahan atau pengembangan
pengetahuan dalam sistem pakar dapat terjadi setiap saat bahkan sepanjang waktu
sehingga diperlukan kemudahan dalam modifikasi sistem untuk menampung jumlah
pengetahuan yang semakin besar dan semakin bervariasi.
5. Pandangan dan pendapat setiap pakar
tidaklah selalu sama, yang oleh karena itu tidak ada jaminan bahwa solusi
sistem pakar merupakan jawaban yang pasti benar. Setiap pakar akan memberikan
pertimbangan- pertimbangan berdasarkan faktor subjektif.
6. Keputusan merupakan bagian terpenting
dari sistem pakar. Sistem pakar harus memberikan solusi yang akurat berdasarkan
masukan pengetahuan meskipun solusinya sulit sehingga fasilitas informasi
sistem selalu diperlukan.
Konsep dasar sistem pakar mencakup beberapa persoalan mendasar, antara
lain apa
yang dimaksud dengan keahlian, siapa
yang disebut pakar, bagaimana keahlian dapat
ditransfer, dan bagaimana sistem
bekerja.
Pakar adalah orang yang memiliki pengetahuan, penilaian, pengalaman, dan
metode
khusus, serta kemampuan untuk menerapkan
bakat ini dalam memberi nasehat dan
memecahkan persoalan. Adalah tugas pakar
untuk menyediakan pengetahuan tentang
bagaimana melaksanakan suatu tugas yang
akan dijalankan oleh sistem berbasis
pengetahuan. Pengertian lain dari pakar
ialah orang yang memiliki keahlian dalam suatu
hal, yaitu memiliki pengetahuan atau
keahlian khusus yang tidak diketahui dan tidak ada
pada kebanyakan orang.
Keahlian adalah pengetahuan ekstensif yang
spesifik terhadap tugas yang dimiliki pakar. Tingkat keahlian menentukan
performa keputusan. Keahlian sering dicapai daripelatihan, membaca, dan
mempraktikan. Keahlian mencakup pengetahuan eksplisit, misalnya teori yang
dipelajari dari buku teks atau kelas, dan pengetahuan implisit yang diperoleh dari pengalaman.
2.2.2 Komponen Sistem Pakar
Suatu sistem disebut sebagai sistem pakar jika
mempunyai ciri dan karakteristik tertentu. Hal ini juga harus didukung oleh
komponen komponen sistem pakar yang mampu menggambarkan tentang ciri dan karakteristik
tertentu. Dalam sistem pakar terdapat beberapa komponen. Secara umum, sistem
pakar terdiri dari beberapa komponen yang saling berhubungan, yaitu:
1. Basis Pengetahuan
Basis data dalam sistem pakar disebut
basis pengetahuan. Basis pengetahuan berisi pengetahuan yang dibutuhkan untuk
memahami, merumuskan, dan memecahkan masalah. Basis pengetahuan menggunakan
aturan-aturan untuk mengekspresikan logika masalah yang pemecahannya dibantu
oleh sistem pakar. Basis pengetahuan terdiri dari dua elemen, yaitu:
a. Fakta: situasi, kondisi, dan
kenyataan dari permasalahan yang ada, berisi juga teori dari bidang
permasalahan tersebut
b. Aturan: mengarahkan pengguna
pengetahuan untuk memecahkan masalah dari bidang tersebut.
Basis pengetahuan ini tersusun atas
fakta yang berupa informasi tentang cara bagaimana membangkitkan fakta baru
dari fakta yang sudah diketahui. Ada beberapa metode untuk mempresentasikan
pengetahuan kedalam basis pengetahuan, yaitu :
a. Kalkulus
Predikat Kalkulus predikat merupakan cara sederhana
untuk mempresentasikan pengetahuan secara deklaratif. Dalam kalkulus predikat
pernyataan deklaratif dibagi atas dua bagian yaitu bagian predikat dan bagian
argumen. Argumen berisi objek dan predikat menunjukan hubungan atas sifat objek
keduanya dikombinasikan membentuk suatu proposisi predikat 1 dan objek 2. Basis
Pengetahuan Mesin Inferensi
b. List
List merupakan rangkaian aturan-aturan
yang berhubungan. List digunakan untuk menggambarkan hierarki pengetahuan yang
objek- objeknya dikelompokan menurut aturan-aturannya. Objek tesebut dibagi
menjadi kelompok-kelompok berdasarkan item yang sama, hubungan antar kelompok
ditunjukan dengan menghubungkan kelompok-kelompok tersebut.
c. Bingkai (frame)
Frame merupakan blok atau potongan
pengetahuan mengenai objek khusus peristiwa atau elemen lain. Frame
menggambarkan perincian objek. Penilaian ini diberikan dalam bentuk rak (slot)
yang menggambarkan berbagai atribut dan karakteristik dari suatu objek.
d. Jaringan Sematik
Jaringan sematik adalah objek yang paling
awal dipakai dalam mempesentasikan pengetahuan. Metode ini didasarkan pada
struktur jaringan dan biasa digambarkan dengan grafik hubungan. Jaringan
sematik terdiri dari lingkaran-lingkaran yang menunjukan objek dan informasi
tentang objek-objek tersebut. Objek ini bisa berupa benda atau peristiwa.
Antara dua objek dihubungkan oleh arc yang menunjukan hubungan antar objek.
e. Kaidah Produksi
Kaidah produksi biasanya dalam bentuk
jika-maka (IF-THEN). Kaidah ini dapat dikatakan sebagai hubungan implikasi dua
bagian, yaitu bagian premis (jika) dan bagian konklusi (maka). Kaidah produksi
merupakan salah satu bentuk representasi pengetahuan yang sering digunakan.
Bermacam-macam pengetahuan dapat diimplementasikan dalam bentuk yang sesuai
dengan format kaidah IF-THEN. Kaidah produksi sangat populer karena formatnya
yang sangat fleksibel.
Ada 2 bentuk pendekatan basis
pengetahuan yang sangat umum digunakan, yaitu:
1.
Penalaran berbasis aturan
(Rule-Based-Reasoning)
Pada penalaran berbasis aturan, pengetahuan
direpresentasikan dengan menggunakan aturan berbentuk: IF-THEN. Bentuk ini
digunakan apabila memiliki sejumlah pengetahuan pakar pada suatu permasalahan
tertentu, dan si pakar dapat menyelesaikan masalah tersebut secara berurutan.
Disamping itu bentuk ini juga digunakan apabila dibutuhkan penjelasan tentang
jejak (langkahlangkah) pencapaian solusi.
2.
Penalaran berbasis kasus
(Case-Based-Reasoning)
Pada penalaran berbasis kasus, basis
pengetahuan akan berisi solusi-solusi yang telah dicapai sebelumnya, kemudian
akan diturunkan suatu solusi untuk keadaan yang terjadi sekarang (fakta yang
ada). Bentuk ini digunakan apabila user menginginkan untuk tahu lebih banyak
lagi pada kasus-kasus yang hampir sama (mirip). Selain itu, bentuk ini juga
digunakan apabila telah memiliki sejumlah situasi atau kasus tertentu dalam
basis pengetahuan.
1. Mesin Inferensi
Mesin Inferensi merupakan otak dari
sistem pakar. Dikenal juga sebagai penerjemah aturan (rule interpreter).
Komponen ini berupa program komputer yang menyediakan suatu metodologi untuk
memikirkan (reasoning) dan memformulasi kesimpulan. Mesin inferensi menggunalan
penalaran yang serupa dengan manusia dalam mengolah isi dari basis pengetahuan.
Mesin inferensi terdiri dari tiga
bagian, yaitu:
a.
Interpreter:
digunakan untuk menerjemahkan aturan ke dalam
bahasa mesin agar dapat menjalankan program
b.
Scheduler:
digunakan untuk pencarian dan penalaran pada
basis pengetahuan dalam penyelesaian masalah
c.
Consistency Enforcer:
untuk menampilkan solusi permasalahan Kerja
Sedangkan untuk pelacakannya, ada 2 cara yang
dapat dipakai yaitu:
a.
Forward
chaining
Pencocokan fakta atau pernyataan dimulai dari
bagian sebelah kiri (IF dulu). Penalaran dimulai dari fakta terlebih dahulu
untuk menguji kebenaran hipotesis.
b.
Backward
chaining
Pencocokan fakta atau pernyataan dimulai dari
bagian sebelah kanan (THEN dulu). Dengan kata lain, penalaran fakta hipotesa
lebar dan tidak dalam dimulai dari
hipotesis terlebih dahulu, dan untuk menguji kebenaran hipotesis tersebut harus
dicari fakta-fakta yang ada dalam basis pengetahuan
1.
Papan
Tulis (Workplace)
Papan Tulis (Workplace) merupakan memori
atau lokasi penyimpanan untuk sistem pakar bekerja dan menyimpan hasil
sementara, yang berupa basis data. Memori ini berisi semua informasi tentang
masalah tertentu, baik yang di input oleh pengguna atau yang berada dalam basis
pengetahuan.
2.
Antarmuka
Pengguna
Interaksi antara sistem pakar dan pengguna
berupa bahasa alami, biasanya dalam bentuk tanya jawab atau ditampilkan dalam
bentuk gambar. Sistem pakar menyediakan antarmuka agar pengguna dapat
berinteraksi dengan sistem pakar. Antarmuka pengguna memegang peranan penting
dalam sistem pakar, untuk memperoleh informasi yang akurat dari pengguna,
perekayasa pengetahuan diharapkan membuat desain antarmuka pertanyaan yang
baik.
3.
Fasilitas
Penjelasan Fasilitas ini merupakan fasilitas
tambahan yang menyediakan penjelasan kepada pengguna tentang mengapa sistem
pakar mempertanyakan sebuah pertanyaan tertentu kepada pengguna dan bagaimana
sistem pakar fakta hipotesa menyempit dan dalam membuat suatu keputusan.
Fasilitas penjelasan memberikan keuntungan kepada kedua belah pihak, perekayasa
pengetahuan dapat memeperbaiki kekurangan dari basis pengetahuan dan pengguna
mendapatkan penjelasan tentang bagaimana pemikiran sistem pakar tersebut.
4.
Knowledge
Refining System
Seorang pakar mempunyai knowledge refining
system artinya mereka dapat menganalisis sendiri performa mereka, belajar dari
pengalaman, serta meningkatkan pengetahuannya untuk konsultasi berikutnya. Pada
sistem pakar, evaluasi ini penting sehingga dapat menganalisis alasan
keberhasilan atau kegagalan pengambilan keputusan, serta memperbaiki basis
pengetahuan.
2.2.3 Partisipasi dalam Proses Pengembangan Sistem Pakar Pakar
yaitu
seseorang yang mempunyai pengetahuan, pengalaman, dan metode khusus, serta
mampu menerapkannya untuk memecahkan masalah atau mengambil keputusan. Pakar
menyediakan pengetahuan tentang bagaimana sistem pakar bekerja. Untuk
mengembangkan sistem pakar juga membuatuhkan seorang perekayasa pengetahua.
Perekayasa pengetahuan adalah seseorang yang membantu pakar untuk menyusun area
permasalahan dengan menerjemahkan dan mengintegrasikan jawaban pakar terhadap
pertanyaan-pertanyaan dari klien, menarik analogi, serta memberikan
contoh-contoh yang berlawanan, kemudian menyusun basis pengetahuan. Pengguna,
yang mungkin meliputi: seorang pasien yang akan berkonsultasi, seorang dokter
atau pakar lain yang akan menguji sistem pakar ini. Partisipan lain, dapat
meliputi: pembangun sistem (system builder), tool builder, staf administrasi
dan lainnya.
2.3 Model Pengembangan Sistem Pakar
Langkah awal yang dilakukan dalam
membangun sistem adalah dengan menentukan model sistem yang akan digunakan.
Dalam sistem pakar dikenal model sistem yang digunakan adalah ESDLC (Expert
System Development Life Cycle). Expert System Development Life Cycle merupakan
konsep dasar dalam perancangan dan
pengembangan sistem pakar yang sering digunakan. (Durkin, 1994).
Secara umum tahapan dari Expert System
Development Life Cycle adalah:
1. Penilaian Keadaan
a. Mengidentifikasi masalah
b. Mendefinisikan tujuan umum dan ruang
lingkup sistem
c. Memverifikasi kesesuaian sistem pakar
dengan masalah
2.
Analisa dan Akuisisi Pengetahuan
a. Analisa kebutuhan data, kebutuhan
fungsi identifikasi unjuk kerja sistem dari mulai Entities, Aliran data,
Proses, Data Store dan Entity Rational Diagram (ERD) yang dilakukan perangkat,
runtutan kondisi perangkat, serta pengembangan perangkat.
b. Menentukan sumber pengetahuan
c. Mendapatkan pengetahuan yang
berhubungan dengan masalah yang akan dibahas
d. Mempelajari, menambah, dan mengatur
pengetahuan
3. Perancangan dan Implementasi
a. Mendefinisikan struktur sistem,
pengaturan sistem, dan metode yang akan digunakan untuk pengambilan kesimpulan
b. Memilih bahasa pemrograman yang digunakan
c. Implementasi konsep rancangan sistem
4.
Pengujian
a. Melakukan pengujian sistem yang telah
dibangun
b. Memodifikasi pengetahuan sistem
5.
Dokumentasi
a. Membuat diagram dan user dictionary dalam
sebuah dokumen teknis sebagai panduan bagi pengguna
2.4 Bayesian Network
Metode bayesian network menjadi sangat populer
pada dekade terakhir ini karena digunakan untuk berbagai aplikasi cerdas
seperti mesin pembelanjaran, pengolahan teks, pengolahan bahasa alami,
pengenalan suara, pengolahan sinyal, bioinformatika, error-control codes,
diagnosis medis, peramalan cuaca, jaringan seluler, dan aplikasi sistem cerdas
lainnya.
Bayesian network merupakan salah satu
Probabilistic Graphical Model (PGM) yang sederhana yang dibangun dari teori
probabilistik dan teori graf. Teori probabilistik berhubungan langsung dengan
data sedangkan teori graf berhubungan langsung dengan bentuk representasi yang
ingin didapatkan. (Heckerman, 1995).
Sebagai contoh, sebuah bayesian network dapat
mewakili hubungan probabilistik antara penyakit dan gejala.
Bayesian
network dapat digunakan untuk menghitung probabilitas dari kehadiran berbagai
gejala penyakit. Metode bayesian network merupakan metode yang baik di dalam
mesin pembelajaran berdasarkan data training, dengan menggunakan probabilitas
bersyaratsebagai dasarnya.
Bayesian network (BN) atau jaringan bayes juga
dikenal sebagai jaringan kepercayaan dari jaringan bayes yang pendek dan masih
merupakan probabilistic graphical model (PGM) dengan edge berarah yang
digunakan untuk merepresentasikan pengetahuan tentang hubungan ketergantungan
atau kebebasan diantara variabel-variabel domain persoalan yang dimodelkan.
Pengetahuan tersebut direpresentasikan secara kualitatif menggunakan struktur graf
dan secara kuantitatif menggunakan parameter-parameter numerik. Bayesian
network terdiri dari dua bagian utama, yaitu:
1.
Struktur graf bayesian network disebut dengan Directed Acyclic Graph (DAG)
yaitu graf berarah tanpa siklus berarah (Meigarani, 2010). DAG terdiri dari
node dan edge. Node merepresentasikan variabel acak dan edge merepresentasikan
adanya hubungan kebergantungan langsung dan dapat juga diinterpretasikan
sebagai pengaruh (sebab-akibat) langsung antara variabel yang dihubungkannya.
Tidak adanya edge menandakan adanya hubungan kebebasan kondisional di antara
variabel. Struktur grafis bayesian network ini digunakan untuk mewakili
pengetahuan tentang sebuah domain yang tidak pasti. Secara khusus, setiap node
dalam grafik merupakan variabel acak, sedangkan ujung antara node mewakili
probabilistik yang bergantung di antara variabel-variabel acak yang sesuai.
Kondisi ketergantungan ini dalam grafik sering diperkirakan dengan menggunakan
statistik yang dikenal dengan metode komputasi. Oleh karena itu, bayesian
network menggabungkan prinsip- prinsip dari teori graf, teori probabilitas,
ilmu pengetahuan komputer, dan statistik. (Wiley, 2007)
2. Himpunan parameter
Himpunan parameter mendefinisikan distribusi
probabilitas kondisional untuk setiap variabel. Pada bayesian network, nodes
berkorespondensi dengan variabel acak. Tiap node diasosiasikan dengan
sekumpulan peluang bersyarat, p(xi|Ai) sehingga xi adalah variabel yang
diasosiasikan dengan node dan Ai adalah set dari parent dalam graf.
2.4.1 Konsep Dasar Bayesian Network
Untuk membangun bayesian network, memerlukan
pemahaman dari konsep dasar bayesian network. Konsep dasar tersebut adalah
sebagai berikut:
1.
Struktur
Graf.
Struktur graf yang dimiliki oleh
bayesian network adalah Directed Acyclic Graph (DAG), yaitu graf berarah yang
tidak memiliki siklus. Struktur dari DAG sering disebut bagian dari model
kualitatif yang diperlukan untuk menentukan model model parameter kuantitatif.
Parameter dijelaskan secara konsisten dengan properti markov, di mana
Conditional Probability Distribution (CPD) pada setiap node bergantung pada
parent yang dimiliki. (Wiley, 2007)
2.
Kondisi
Markov.
Kondisi ini menunjukkan hubungan antara DAG
dan distribusi probabilitas. Bayesian network memanfaatkan kondisi markov untuk
melakukan representasi JPD secara efisien dan memperoleh adanya kebebasan
kondisional antara variabel. Model graf pada kondisi markov berupa graf dengan
ujung berarah. Jaringan markov ini memberikan definisi secara sederhana yaitu
kebebasan antara dua node yang berbeda berdasarkan konsep dari selimut Markov.
Jaringan Markov sangat populer di bidang keilmuan modern seperti fisika,
statistik dan ilmu komputer. (Wiley, 2007)
3.
D-separation.
Properti DAG yang menyatakan hubungan
kebebasan yang terdapat pada DAG. Semua kebebasan kondisional yang diperoleh
dari kondisi markov akan diidentifikasi dengan properti ini.
4.
Ekuivalensi
Markov.
Konsep tentang adanya DAG-DAG yang
memiliki dseparation yang sama, yang dapat direpresentasikan dalam sebuah DAG
pattern. Dua DAG merupakan ekuivalen markov jika dan hanya jika kedua DAG
tersebut mempunyai link-link (edge tanpa memperhatikan arah) yang sama dan
himpunan uncoupled head-to-head meeting yang sama. Teorema tersebut memberikan
cara sederhana untuk merepresentasikan kelas ekuivalen markov pada sebuah graf.
Graf ini disebut DAG pattern.
2.4.2 Membangun Bayesian Network
Setelah memahami konsep dasar dalam membangun
bayesian network, maka terdapat dua tahapan dalam membangun bayesian network,
yaitu:
1.
Konstruksi
struktur
Struktur
bayesian network adalah direct acyclic graph yang dapat merepresentasikan
sebuah pola dari sekumpulan data. Perepresentasian dalam bentuk graf dapat
dilakukan dengan mengidentifikasi konsep- konsep informasi yang relevan
terhadap masalah. Selanjutnya konsep- konsep tersebut disebut himpunan
variabel. Himpunan tersebut kemudian direpresentasikan menjadi node node dalam
graf. Pengaruh antara variable dinyatakan eksplisit menggunakan edge pada graf
2.
Estimasi
parameter
Setelah struktur bayesian network terbentuk,
parameter dan hubungan ketergantungan antara node ditentukan dengan menggunakan
pengetahuan pakar. Informasi ini dibutuhkan agar dapat menghitung
joint probability distribution.
DAFTAR PUSTAKA
Andrew. 2009,
April 15. Methodologies to Develop Expert System. [Online]. http://www.aboutknowledge.
com/components-of-an-expert-system/. Diakses tanggal 1 Februari 2011.
Anita. Konsep Kecerdasan Buatan. Yogyakarta:
Penerbit Andi, 2006.
Arif, dkk. Kapita Selekta Kedokteran Jilid 1.
Jakarta: Balai Penerbit Fakultas Kedokteran Universitas Indonesia, 2000.
Kapita Selekta Kedokteran Jilid 1I. Jakarta:
Balai Penerbit Fakultas Kedokteran Universitas Indonesia. 2000.
Dorland, W.A.N.
Kamus Kedokteran Dorland. Jakarta: EGC, 2002.
Durkin, John. Expert System Design and
Development. New Jersey: Prentice Hall Inc,1994.
Hamdani. Sistem
Pakar Untuk Diagnosa Penyakit Mata Pada Manusia. Samarinda: Jurnal Universitas
Mulawarman, 2010.
Heckerman,
David. 2006, November. A Tutorial on Learning With Bayesian Network. [Online]. http://research.microsoft.com. Diakses tanggal 5
Februari 2010.
Krause, P.J. Learning Probabilistic Networks.
United Kingdom: Philips Research Laboratories, 1998. Meigarani, Indyana.
Penggunaan Metode Bayesian network Dalam Sistem Pakar Untuk Diagnosa Penyakit
Leukimia. Bandung: Jurnal Universitas Pendidikan Indonesia, 2010.
Komentar
Posting Komentar