Metode Certainty Factor: Contoh Perhitungan Manual Lengkap

Certainty Factor (CF) adalah metode untuk merepresentasikan tingkat keyakinan atau ketidakpastian terhadap suatu hipotesis berdasarkan evidence yang tersedia. Metode ini banyak digunakan pada sistem pakar ketika pengetahuan pakar tidak selalu dapat dinyatakan secara mutlak benar atau salah.

Tutorial ini membahas contoh perhitungan Certainty Factor secara manual dan lengkap. Contoh kasus yang digunakan adalah identifikasi gangguan laptop berdasarkan beberapa gejala, nilai keyakinan pakar, dan tingkat keyakinan pengguna.

Perhitungan dimulai dari menentukan nilai CF pakar dan CF pengguna, menghitung CF setiap evidence, menggabungkan beberapa nilai CF dengan rumus CF Combine, kemudian membandingkan hasil akhir setiap hipotesis.

Daftar Isi

Pengertian Certainty Factor

Certainty Factor adalah pendekatan untuk menyatakan derajat kepercayaan terhadap suatu kesimpulan atau hipotesis. Nilai CF biasanya berada pada rentang:

$$ -1 \leq CF \leq 1 $$

Interpretasi sederhananya:

  • nilai mendekati 1 menunjukkan keyakinan kuat bahwa hipotesis benar;
  • nilai mendekati 0 menunjukkan evidence tidak memberikan keyakinan yang berarti;
  • nilai mendekati -1 menunjukkan keyakinan kuat bahwa hipotesis tidak benar.

Dalam banyak implementasi sistem pakar sederhana, nilai yang digunakan hanya berada pada rentang 0 sampai 1 karena sistem hanya menyimpan tingkat dukungan terhadap hipotesis.

Metode Certainty Factor dikenal melalui pengembangan sistem pakar MYCIN, yang menggunakan faktor kepastian untuk menangani ketidakpastian pada proses inferensi berbasis aturan.

Konsep MB, MD, dan CF

Konsep dasar Certainty Factor dapat dinyatakan menggunakan dua komponen:

  • MB (Measure of Belief): tingkat kepercayaan terhadap hipotesis.
  • MD (Measure of Disbelief): tingkat ketidakpercayaan terhadap hipotesis.

Rumus dasarnya:

$$ CF(H,E)=MB(H,E)-MD(H,E) $$

Keterangan:

  • $H$ = hipotesis;
  • $E$ = evidence atau gejala;
  • $MB(H,E)$ = ukuran kepercayaan terhadap $H$ berdasarkan $E$;
  • $MD(H,E)$ = ukuran ketidakpercayaan terhadap $H$ berdasarkan $E$.

Contoh

Misalnya pakar memberikan:

$$ MB=0.9 $$
$$ MD=0.2 $$

Maka:

$$ CF=0.9-0.2=0.7 $$

Artinya evidence tersebut memberikan tingkat kepastian sebesar 0.7 terhadap hipotesis.

Pada banyak aplikasi sistem pakar, pakar dapat langsung memberikan nilai CF pakar tanpa menyimpan MB dan MD secara terpisah. Tutorial ini menggunakan pendekatan tersebut agar proses perhitungan lebih mudah dipahami.

Rumus Certainty Factor

Pada implementasi konsultasi yang memiliki tingkat keyakinan pengguna, nilai evidence sering dihitung dengan mengalikan CF pakar dengan CF pengguna:

$$ CF_{evidence}=CF_{pakar}\times CF_{pengguna} $$

Pendekatan ini merupakan pola implementasi yang umum pada aplikasi sistem pakar berbasis Certainty Factor. Bentuk implementasi dapat berbeda tergantung bagaimana basis pengetahuan dan certainty pada evidence dimodelkan.

Jika terdapat lebih dari satu evidence yang mendukung hipotesis yang sama, nilai tersebut digabungkan menggunakan CF Combine.

Untuk dua CF positif:

$$ CF_{combine}=CF_1+CF_2(1-CF_1) $$

Hasil kombinasi kemudian dapat digabungkan lagi dengan evidence berikutnya:

$$ CF_{baru}=CF_{combine}+CF_3(1-CF_{combine}) $$

Proses dilakukan sampai seluruh evidence untuk hipotesis tersebut selesai dihitung.

Skala Nilai Certainty Factor

Pada aplikasi konsultasi, pengguna sering diminta memilih tingkat keyakinan terhadap gejala. Nilai skala harus ditentukan secara jelas oleh perancang sistem.

Berikut contoh skala yang dapat digunakan. Skala ini bukan skala universal dan dapat disesuaikan dengan kebutuhan penelitian.

Jawaban Pengguna Nilai CF
Tidak 0.0
Sedikit yakin 0.2
Cukup yakin 0.4
Yakin 0.6
Sangat yakin 0.8
Pasti 1.0

Jika penelitian menggunakan skala yang berbeda, nilai CF harus mengikuti definisi yang sudah ditetapkan pada basis pengetahuan atau instrumen penelitian.

Cara Kerja Certainty Factor

Secara umum, tahapan metode Certainty Factor pada sistem pakar adalah:

  1. Menentukan hipotesis atau diagnosis yang dapat dihasilkan sistem.
  2. Menentukan evidence atau gejala yang berkaitan dengan setiap hipotesis.
  3. Menentukan nilai CF pakar untuk setiap hubungan gejala dengan hipotesis.
  4. Mengambil nilai keyakinan pengguna terhadap gejala yang dipilih.
  5. Menghitung $CF_{evidence}$ dari CF pakar dan CF pengguna.
  6. Menggabungkan beberapa evidence untuk hipotesis yang sama menggunakan CF Combine.
  7. Mengulangi proses untuk seluruh hipotesis.
  8. Mengurutkan hipotesis berdasarkan nilai CF akhir.
  9. Menampilkan hasil dengan nilai kepastian tertinggi.

Contoh Kasus Certainty Factor

Contoh berikut digunakan untuk mempelajari mekanisme perhitungan, bukan untuk menentukan kerusakan perangkat secara nyata.

Sistem pakar akan mengidentifikasi tiga kemungkinan gangguan laptop:

  • P1 - Overheating
  • P2 - RAM Bermasalah
  • P3 - Power Supply Bermasalah

#01 Data Hipotesis

Kode Hipotesis
P1 Overheating
P2 RAM Bermasalah
P3 Power Supply Bermasalah

#02 Data Gejala

Kode Gejala
G1 Laptop sering mati atau restart sendiri
G2 Suhu laptop sangat panas
G3 Kipas berputar sangat kencang
G4 Sering terjadi blue screen
G5 Terdengar bunyi beep saat proses booting
G6 Laptop mati mendadak saat menjalankan beban berat

#03 Basis Pengetahuan dan CF Pakar

Nilai CF pakar menunjukkan seberapa kuat suatu gejala mendukung hipotesis tertentu menurut basis pengetahuan.

Sebagai contoh, hubungan G2 → P1 memiliki CF pakar 0.90. Artinya gejala suhu laptop sangat panas memiliki tingkat dukungan yang kuat terhadap hipotesis overheating pada contoh basis pengetahuan ini.

Hipotesis Gejala CF Pakar
P1 - Overheating G1 0.70
P1 - Overheating G2 0.90
P1 - Overheating G3 0.80
P2 - RAM Bermasalah G1 0.40
P2 - RAM Bermasalah G4 0.80
P2 - RAM Bermasalah G5 0.70
P3 - Power Supply Bermasalah G1 0.80
P3 - Power Supply Bermasalah G4 0.30
P3 - Power Supply Bermasalah G6 0.90

Nilai pada tabel di atas hanya digunakan sebagai dataset contoh perhitungan.

#04 Nilai Keyakinan Pengguna

Misalnya pengguna memberikan tingkat keyakinan berikut.

Salah satu contohnya adalah G1. Pengguna merasa sangat yakin laptop sering mati atau restart sendiri sehingga digunakan:

$$ CF_{pengguna}(G1)=0.80 $$

Data lengkap jawaban pengguna:

Gejala Kondisi Pengguna CF Pengguna
G1 Sangat yakin 0.80
G2 Pasti 1.00
G3 Sangat yakin 0.80
G4 Cukup yakin 0.40
G5 Sedikit yakin 0.20
G6 Yakin 0.60

#05 Menghitung CF Evidence

Setiap hubungan gejala dengan hipotesis dihitung menggunakan:

$$ CF_{evidence}=CF_{pakar}\times CF_{pengguna} $$

Contoh G1 terhadap P1

CF pakar G1 untuk Overheating:

$$ CF_{pakar}=0.70 $$

CF pengguna untuk G1:

$$ CF_{pengguna}=0.80 $$

Maka:

$$ CF(G1,P1)=0.70\times0.80=0.56 $$

Contoh G2 terhadap P1

$$ CF(G2,P1)=0.90\times1.00=0.90 $$

Setelah cara perhitungannya diketahui, seluruh CF evidence dapat disusun sebagai berikut.

Hipotesis Gejala CF Pakar CF Pengguna CF Evidence
P1 G1 0.70 0.80 0.56
P1 G2 0.90 1.00 0.90
P1 G3 0.80 0.80 0.64
P2 G1 0.40 0.80 0.32
P2 G4 0.80 0.40 0.32
P2 G5 0.70 0.20 0.14
P3 G1 0.80 0.80 0.64
P3 G4 0.30 0.40 0.12
P3 G6 0.90 0.60 0.54

#06 Menghitung CF Overheating

Untuk P1 - Overheating terdapat tiga CF evidence:

$$ CF_1=0.56 $$
$$ CF_2=0.90 $$
$$ CF_3=0.64 $$

Gabungkan CF pertama dan kedua:

$$ CF_{12}=CF_1+CF_2(1-CF_1) $$
$$ CF_{12}=0.56+0.90(1-0.56) $$
$$ CF_{12}=0.56+0.90(0.44) $$
$$ CF_{12}=0.956 $$

Kemudian gabungkan dengan CF ketiga:

$$ CF_{123}=0.956+0.64(1-0.956) $$
$$ CF_{123}=0.956+0.64(0.044) $$
$$ CF_{123}=0.98416 $$

Jika dinyatakan dalam persentase:

$$ 0.98416\times100\%=98.416\% $$

Jadi nilai akhir untuk P1 - Overheating adalah sekitar 98.42%.

#07 Menghitung CF RAM Bermasalah

Untuk P2 diperoleh:

$$ CF_1=0.32 $$
$$ CF_2=0.32 $$
$$ CF_3=0.14 $$

Gabungkan dua evidence pertama:

$$ CF_{12}=0.32+0.32(1-0.32) $$
$$ CF_{12}=0.32+0.2176=0.5376 $$

Gabungkan dengan evidence ketiga:

$$ CF_{123}=0.5376+0.14(1-0.5376) $$
$$ CF_{123}=0.5376+0.064736 $$
$$ CF_{123}=0.602336 $$

Persentase:

$$ 0.602336\times100\%=60.2336\% $$

Nilai akhir P2 - RAM Bermasalah adalah sekitar 60.23%.

#08 Menghitung CF Power Supply Bermasalah

Untuk P3 diperoleh CF evidence:

  • G1 = 0.64
  • G4 = 0.12
  • G6 = 0.54

Urutan kombinasi dapat dimulai dari G1 dan G6 terlebih dahulu:

$$ CF_{16}=0.64+0.54(1-0.64) $$
$$ CF_{16}=0.64+0.54(0.36) $$
$$ CF_{16}=0.8344 $$

Kemudian digabungkan dengan G4:

$$ CF_{164}=0.8344+0.12(1-0.8344) $$
$$ CF_{164}=0.8344+0.019872 $$
$$ CF_{164}=0.854272 $$

Persentase:

$$ 0.854272\times100\%=85.4272\% $$

Nilai akhir P3 - Power Supply Bermasalah adalah sekitar 85.43%.

#09 Hasil Akhir Certainty Factor

Dari perhitungan sebelumnya diperoleh:

  • P1 = 0.98416
  • P2 = 0.602336
  • P3 = 0.854272

Contoh konversi nilai P1 ke persentase:

$$ 0.98416\times100\%=98.416\% $$

Hasil kemudian diurutkan dari CF terbesar ke terkecil.

Rank Kode Hipotesis CF Akhir Persentase
1 P1 Overheating 0.984160 98.42%
2 P3 Power Supply Bermasalah 0.854272 85.43%
3 P2 RAM Bermasalah 0.602336 60.23%

Berdasarkan basis pengetahuan dan jawaban pengguna pada contoh ini, hipotesis dengan nilai CF terbesar adalah P1 - Overheating dengan nilai sekitar 98.42%.

Nilai tersebut menunjukkan tingkat keyakinan sistem berdasarkan aturan dan nilai CF yang diberikan pada contoh. Nilai CF bukan probabilitas statistik dan tidak boleh ditafsirkan sebagai probabilitas kejadian tanpa konteks model yang digunakan.

Rumus Kombinasi CF Positif dan Negatif

Contoh utama pada artikel ini menggunakan CF positif. Jika sistem menggunakan rentang lengkap dari -1 sampai 1, kombinasi CF perlu memperhatikan tanda masing-masing nilai.

Jika CF1 dan CF2 sama-sama positif

$$ CF_{combine}=CF_1+CF_2(1-CF_1) $$

Jika CF1 dan CF2 sama-sama negatif

$$ CF_{combine}=CF_1+CF_2(1+CF_1) $$

Jika tanda CF berbeda

$$ CF_{combine}= \frac{CF_1+CF_2} {1-\min(|CF_1|,|CF_2|)} $$

Saat membangun aplikasi, jangan menggunakan rumus kombinasi positif untuk semua kondisi jika basis pengetahuan memang memakai nilai CF negatif.

Certainty Factor dan Rule dengan Banyak Gejala

Pada sistem berbasis aturan, sebuah rule dapat memiliki lebih dari satu antecedent, misalnya:

IF G1 AND G2 AND G3 THEN P1 CF 0.90

Jika setiap evidence memiliki nilai certainty sendiri, salah satu pendekatan yang sering digunakan untuk operator AND adalah mengambil nilai minimum evidence:

$$ CF(E_1 \land E_2 \land E_3) = \min(CF(E_1),CF(E_2),CF(E_3)) $$

Kemudian certainty evidence tersebut dikalikan dengan CF rule:

$$ CF(H,E)=CF(E)\times CF_{rule} $$

Pendekatan ini berbeda dengan contoh utama artikel, yang menyimpan nilai CF pakar pada hubungan setiap gejala terhadap hipotesis lalu menggabungkan evidence satu per satu. Karena itu, struktur rule dan definisi CF harus ditentukan sejak awal agar rumus pada implementasi konsisten.

Perbedaan Certainty Factor dan Metode Lain

Certainty Factor vs Bayes

Aspek Certainty Factor Bayes
Dasar Derajat keyakinan Probabilitas
Sumber nilai Dapat berasal dari judgement pakar Prior dan likelihood/probabilitas data
Hasil Tingkat kepastian Probabilitas posterior
Kombinasi evidence CF Combine Teorema Bayes

CF tidak identik dengan probabilitas Bayes. Nilai 0.8 pada Certainty Factor tidak otomatis berarti peluang statistik sebesar 80%.

Certainty Factor vs Dempster-Shafer

Certainty Factor menyatakan tingkat keyakinan terhadap hipotesis dan menggabungkan evidence menggunakan aturan kombinasi CF. Dempster-Shafer menggunakan konsep belief, plausibility, dan kombinasi evidence dengan kerangka yang berbeda.

Certainty Factor vs Forward Chaining

Keduanya tidak berada pada level yang sama. Forward Chaining adalah strategi penelusuran atau inferensi rule, sedangkan Certainty Factor digunakan untuk mengelola tingkat keyakinan. Sebuah sistem dapat menggunakan Forward Chaining sekaligus Certainty Factor.

Kelebihan dan Kekurangan Certainty Factor

Kelebihan

  • Dapat merepresentasikan tingkat keyakinan pakar.
  • Perhitungan relatif mudah dipahami dan diimplementasikan.
  • Cocok untuk sistem pakar berbasis rule.
  • Dapat menggabungkan beberapa evidence untuk hipotesis yang sama.
  • Hasil mudah ditampilkan dalam bentuk nilai atau persentase keyakinan.

Kekurangan

  • Nilai CF pakar dapat bersifat subjektif.
  • CF bukan probabilitas statistik.
  • Hasil sangat bergantung pada kualitas basis pengetahuan.
  • Struktur rule yang berbeda dapat membutuhkan cara perhitungan yang berbeda.
  • Interpretasi nilai CF perlu konsisten sejak tahap perancangan sistem.

Kesalahan Umum Implementasi

Menganggap CF sebagai probabilitas

Nilai CF merupakan ukuran keyakinan dalam model Certainty Factor, bukan probabilitas posterior seperti pada metode Bayes.

Mengalikan semua CF sampai akhir

Jika beberapa evidence mendukung hipotesis yang sama, nilai evidence tidak cukup hanya dikalikan seluruhnya. Pada pola yang digunakan tutorial ini, evidence digabungkan secara bertahap menggunakan CF Combine.

Tidak membedakan CF pakar dan CF pengguna

CF pakar menyatakan kekuatan hubungan evidence terhadap hipotesis, sedangkan CF pengguna menyatakan tingkat keyakinan pengguna bahwa evidence tersebut dialami atau benar.

Menggunakan CF Combine positif untuk nilai negatif

Jika aplikasi menggunakan CF negatif, rumus kombinasi harus disesuaikan dengan tanda nilai yang digabungkan.

Tidak mendokumentasikan skala jawaban

Nilai seperti 0.2, 0.4, atau 0.8 harus memiliki definisi yang jelas. Jangan menggunakan skala tanpa menjelaskan arti setiap nilai.

Ringkasan

Metode Certainty Factor digunakan untuk menangani tingkat keyakinan pada sistem pakar.

Pada contoh ini, setiap evidence dihitung menggunakan:

$$ CF_{evidence}=CF_{pakar}\times CF_{pengguna} $$

Kemudian beberapa evidence untuk hipotesis yang sama digabungkan menggunakan:

$$ CF_{combine}=CF_1+CF_2(1-CF_1) $$

Hasil akhir contoh adalah:

Hipotesis CF Akhir
Overheating 98.42%
Power Supply Bermasalah 85.43%
RAM Bermasalah 60.23%

Dengan data contoh tersebut, nilai CF terbesar diperoleh Overheating.

FAQ Certainty Factor

Apa itu Certainty Factor?

Certainty Factor adalah metode untuk menyatakan tingkat keyakinan terhadap suatu hipotesis berdasarkan evidence yang tersedia.

Apa fungsi Certainty Factor pada sistem pakar?

Certainty Factor membantu sistem pakar menangani kondisi ketika evidence atau pengetahuan pakar tidak bersifat pasti sepenuhnya.

Berapa rentang nilai Certainty Factor?

Secara umum CF dapat berada pada rentang -1 sampai 1. Namun banyak aplikasi sederhana hanya menggunakan nilai 0 sampai 1 untuk merepresentasikan dukungan terhadap hipotesis.

Apa itu CF pakar?

CF pakar adalah nilai keyakinan yang diberikan pada hubungan antara evidence dan hipotesis berdasarkan basis pengetahuan pakar.

Apa itu CF pengguna?

CF pengguna adalah nilai yang menunjukkan seberapa yakin pengguna terhadap evidence atau gejala yang dipilih saat konsultasi.

Bagaimana menghitung CF pakar dan CF pengguna?

Pada pola implementasi yang digunakan tutorial ini:

$$ CF_{evidence}=CF_{pakar}\times CF_{pengguna} $$

Apa itu CF Combine?

CF Combine adalah rumus untuk menggabungkan dua atau lebih nilai CF yang mendukung hipotesis yang sama.

Apakah Certainty Factor sama dengan probabilitas?

Tidak. Certainty Factor merupakan ukuran keyakinan pada model CF dan tidak identik dengan probabilitas statistik.

Apakah Certainty Factor bisa digunakan dengan Forward Chaining?

Bisa. Forward Chaining dapat digunakan untuk menentukan rule yang aktif, sedangkan Certainty Factor digunakan untuk menghitung tingkat keyakinan hasil inferensi.

Apa perbedaan Certainty Factor dan Dempster-Shafer?

Keduanya dapat digunakan untuk menangani ketidakpastian, tetapi model matematis dan cara menggabungkan evidence berbeda. Certainty Factor menggunakan nilai CF dan CF Combine, sedangkan Dempster-Shafer menggunakan belief dan plausibility.

Kapan metode Certainty Factor cocok digunakan?

Certainty Factor cocok ketika pengetahuan pakar dapat dinyatakan dalam tingkat keyakinan dan sistem perlu menggabungkan beberapa evidence untuk menentukan hipotesis.

Apakah hasil Certainty Factor harus dikalikan 100%?

Perkalian dengan 100% hanya digunakan untuk menampilkan nilai CF dalam bentuk persentase agar lebih mudah dibaca. Nilai dasar perhitungan tetap berada pada skala CF.

Source Code Certainty Factor

Untuk melihat aplikasi yang berkaitan dengan metode ini, gunakan halaman kategori Certainty Factor RumahSourceCode:

Source Code Certainty Factor

Referensi

  1. Shortliffe, E. H., & Buchanan, B. G. (1975). A Model of Inexact Reasoning in Medicine. Mathematical Biosciences, 23(3–4), 351–379.
  2. Buchanan, B. G., & Shortliffe, E. H. (Eds.). (1984). Rule-Based Expert Systems: The MYCIN Experiments of the Stanford Heuristic Programming Project. Addison-Wesley.
  3. Giarratano, J. C., & Riley, G. D. Expert Systems: Principles and Programming. Course Technology.

Ada yang Ditanyakan?

Jika anda masih ada kesulitan atau kekeliruan tentang penjelasan metode di atas, bisa menghubungi kami lewat WA/Email sesuai halaman Kontak.

Jika ingin memiliki file excel dari metode di atas bisa melihat cara download di halaman Download.

Jika ingin memiliki source code dari metode di atas, baik berbasis web maupun desktop bisa melihat daftar harga donasi di halaman Daftar Source Code.

Donasi ini digunakan oleh penulis untuk membayar server dan membeli kopi sembari membuat tutorial Metode/Algoritma lainnya :).

Pencarian

Produk populer

Source Code Text Mining Metode Naive Bayes Classifier PHP Source Code Text Mining Metode Naive Bayes Classifier PHP
Source Code Sistem Informasi Akuntansi Koperasi Simpan Pinjam Laravel Source Code Sistem Informasi Akuntansi Koperasi Simpan Pinjam Laravel
Source Code SPK Metode AHP Codeigniter + Crisp Source Code SPK Metode AHP Codeigniter + Crisp
Source Code Sistem Pakar Metode Naive Bayes Classifier VB Source Code Sistem Pakar Metode Naive Bayes Classifier VB
Source Code SPK Metode AHP MOORA PHP + Periode Source Code SPK Metode AHP MOORA PHP + Periode