336914655-Dempster-Shafer-Theory-cahyadsn.pdf

1/19/2017

Dem pster Shafer Theor y

Dempster Shafer Theor y Contoh implementasi Expert System Syste m (Sistem Pakar ) dengan DST ( Dempster Shaf er er Theory ) menggunakan PHP dan MySQL Teori fungsi keyakinan, juga disebut sebagai teori bukti atau Dem pster-Shafer Theory (DST), (DST), merupakan suatu kerangka umum untuk penalaran terhadap ketidakpastian, yang berhubungan dengan kerangka kerja lain seperti teori-teori probabilitas, posibilitas dan imprecise probability . Pertama Pertama kali diperkenalkan oleh Arthur P. Dempster ( Dempster,1967 ) dalam konteks inferensi statistik, teori itu kemudian dikembangkan oleh Glenn Shafer menjadi menjadi kerangka umum untuk pemodelan pemodelan epistemic uncertainty - sebuah sebuah Mathematical Theory of Evidence. ( Shafer,1967 ) Teori ini memungkinkan seseorang untuk menggabungkan evidence dari sumber yang berbeda yang menuju pada suatu tingkat keyakinan tertentu (diwakili oleh objek matematika yang disebut fungsi keyakinan) dengan memperhitungkan semua evidence yang tersedia. [ author : cahya dsn (mailto:cahyadsn@gm (mailto:[email protected]), ail.com), published published on : January 4, 2017 updated on : January 6, 2017 ]

donasi (https://www.paypal.com/cgi-bin/webscr?cmd=_s-xclick&hosted_button_id=K6YRM43CZ44UQ)

Mau lihat artikel lainya? (articles.php) Dapatkan artikel-artikel lain seputar pemrograman website di sini

(articles.php), dan dapatkan ide-ide baru

Pendahuluan Dempster-Shafer Theory Contoh Kasus Persiapan Data Pembuatan Aplikasi Simulasi

Daftar Pustaka

http://cahyadsn.dev.php.or.id/extr a/ds.php

1/28

1/19/2017

Dem pster Shafer Theor y

Pendahuluan Ketidakpastian (Uncertainty ) dapat dianggap sebagai suatu kekurangan informasi yang memadai untuk membuat suatu keputusan. Ketidakpastian merupakan suatu permasalahan karena menghalangi dalam membuat suatu keputusan yang terbaik bahkan dapat menghasilkan suatu keputusan yang buruk Beberapa teori ketidakpastian antara lain probabilitas klasik, probabilitas Bayes, teori Hartley yang yang berdasar pada himpunan klasik, teori Shanon yang didasarkan pada peluang, teori Fuzzy Zadeh, dan teori Dempster-Shafer Ada berbagai berbaga i macam penalaran penalara n dengan model yang lengkap dan sangat konsisten, tetapi pada kenyataannya banyak permasalahan yang tidak dapat terselesaikan secara lengkap dan konsisten. Ketidakkonsistenan tersebut adalah akibat adanya penambahan fakta baru. Penalaran yang seperti itu disebut dengan penalaran non-monotonis. Untuk mengatasi ketidakkonsistenan tersebut maka dapat menggunakan penalaran dengan teori Dempster-Shafer. Artikel ini akan mencoba menjelaskan penerapan penera pan Dempster-Shafer Theory dalam dalam aplikasi sistem pakar yang menggunakan PHP dan MySQL. Dimulai dari dasar-dasar teori mengenai Dempster-Shafer Theory , perancangan database sampai dengan pembuatan aplikasinya. Sebagai pelengkap untuk lebih memahami langkah-langkah penerapan Dempster-Shafer Theory ini disertakan juga simulasi aplikasi sistem pakar yang sudah jadi dengan mengambil contoh kasus pendeteksian jenis perilaku abnormal ADHD ( Attention Deficit Hyperactivity Disorder ) pada anak

Pre-requisites Pemahaman terhadap dasar-dasar teknologi web,HTML dan CSS Pemahaman terhadap dasar-dasar basis data/database, terutama query SQL pada MySQL/mariaDB Pemahaman terhadap dasar-dasar pemrograman PHP, terutama fungsi-fungsi koneksi database dan pengelolaan tipe data array

Dempster-Shafer Theory Dempster-Shafer Theory adalah adalah generalisasi dari Bayesian theory of subjective probability . Fungsi

kepercayaan berbasis derajat kepercayaan (atau keyakinan, atau jaminan) pada suatu masalah terhadap probabilitas untuk masalah terkait. Derajat kepercayaan itu sendiri mungkin atau mungkin tidak memiliki sifat probabilitas matematika; seberapa banyak perbedaannya tergantung pada seberapa dekat kedua permasalahan itu berkaitan.( Shafer,2002 ) Sering digunakan sebagai metode sensor fusion, teori Dempster-Shafer didasarkan pada dua ide: memperoleh derajat kepercayaan untuk satu masalah dari probabilitas subjektif terhadap masalah yang berkaitan, dan aturan Dempster ini ( Dempster,1968 ) untuk menggabungkan derajat seperti keyakinan ketika mereka didasarkan pada suatu bukti independen. Pada dasarnya, tingkat kepercayaan proposisi tergantung terutama pada jumlah solusi (atas masalah-masalah yang berkaitan) yang mengandung proposisi, dan probabilitas subjektif dari masing-masing solusi. Juga memberikan kontribusi aturan kombinasi yang mencerminkan asumsi umum tentang data.

http://cahyadsn.dev.php.or.id/extr a/ds.php

2/28

1/19/2017

Dempster Shafer Theory

Dalam formalisme ini tingkat kepercayaan (juga disebut sebagai mass -- massa) dipresentasikan sebagai fungsi keyakinan dibanding daripada distribusi probabilitas Bayesian. Nilai probabilitas diberikan untuk sekumpulan kemungkinan daripada suatu event tunggal. Teori Dempster-Shafer memberikan massa untuk semua himpunan bagian tidak kosong dari proposisi yang membentuk sistem-dalam hal set-teori, power set dari proposisi. Sebagai contoh, asumsikan situasi di mana ada dua masalah terkait, atau proposisi, dalam suatu sistem. Dalam sistem ini, fungsi keyakinan memberikan massa untuk proposisi pertama, kedua, keduanya atau bahkan tidak kedua-duanya.

Belief dan Plausibility Teori Dempster Shafer adalah suatu teori matematika untuk pembuktian berdasarkan belief functions (fungsi kepercayaan) dan plausible reasoning (pemikiran yang masuk akal), yang digunakan untuk mengkombinasikan potongan informasi yang terpisah (bukti) untuk mengkalkulasi kemungkinan dari suatu peristiwa. Secara umum teori Dempster-Shafer ditulis dalam suatu interval: [ Belief ,Plausibility ] 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. Menurut

Giarratano dan Riley ( Giarratano,Riley, 1989 ) fungsi belief dapat diformulasikan sebagai:

.. [DST-01] sedangkan Plausibility (Pls) dinotasikan sebagai :

.. [DST-02] Plausibility juga bernilai 0 sampai 1, jika kita yakin akan X' maka dapat dikatakan Belief (X') = 1 sehingga dari rumus di atas nilai Pls (X) = 0. Beberapa kemungkinan range antara Belief dan Plausibility adalah: Tabel 1 : Range Belief dan Plausibility Kemungkinan

Keterangan

[1,1]

Semua Benar

[0,0]

Semua Salah

[0,1]

Ketidakpastian

[Bel ,1] untuk 0 < Bel < 1

Cenderung Mendukung

[0,Pls] untuk 0 < Pls < 1

Cenderung Menolak

[Bel ,Pls] untuk 0 < Bel ≤ Pls < 1

Cenderung Mendukung dan Menolak

Environment Pada teori Dempster-Shafer juga dikenal adanya frame of discernment (FOD) yang dinotasikan dengan Θ. FOD ini merupakan semesta pembicaraan dari sekumpulan hipotesis sehingga sering disebut dengan environment , dimana:

http://cahyadsn.dev.php.or.id/extra/ds.php

3/28

1/19/2017


Θ={θ 1 ,θ 2 ,θ 3 ,..,θ n }

.. [DST-03] dimana: Θ : FOD atau environment θ 1 ..θ n : elemen/unsur bagian dalam environment Environment mengandung elemen-elemen yang menggambarkan kemungkinan sebagai jawaban dan hanya ada satu yang akan sesuai dengan jawaban yang dibutuhkan. Kemungkinan ini dalam teori Dempster-Shafer disebut dengan power set dan dinotasikan dengan P(Θ), setiap elemen dalam power set ini memiliki nilai interval antara 0 sampai 1. m = P(Θ) -> [0,1] sehingga dapat dirumuskan:

.. [DST-04] Dengan P(Θ) = power set dan m(X) = mass function dari (X)

Mass Function Sedangkan mass function (m) dalam teori Dempster-Shafer adalah tingkat kepercayaan dari suatu evidence (gejala), sering disebut dengan evidence measure sehingga dinotasikan dengan ( m).

Aturan Kombinasi Dempster Pada aplikasi sistem pakar dalam satu masalah terdapat sejumlah evidence yang akan digunakan pada faktor ketidakpastian dalam pengambilan keputusan untuk diagnosa suatu masalah. Untuk mengatasi sejumlah evidence tersebut pada teori Dempster-Shafer menggunakan aturan yang lebih dikenal dengan Dempster's Rule of Combination

.. [DST-05] dimana: m1⊕m2(Z)= mass function dari evidence (Z) m1(X)= mass function dari evidence (X) m2(Y)= mass function dari evidence (Y) ⊕ = operator direct sum secara umum formulasi untuk Dempster's Rule of Combination adalah:

.. [DST-06] dimana: k = Jumlah evidential conflict. Besarnya jumlah evidential conflict (k) dirumuskan dengan:


4/28

1/19/2017


.. [DST-07] sehingga bila persamaan [DST-07] disubstitusikan ke persamaan [DST-06] akan menjadi:

.. [DST-08] dimana: m1⊕m2(Z)= mass function dari evidence (Z) m1(X)= mass function dari evidence (X) m2(Y)= mass function dari evidence (Y) k = jumlah evidential conflict

Contoh Kasus Minimnya pengetahuan publik tentang perilaku abnormal berakibat perilaku-perilaku abnormal yang ada dan tampak sering dipahami secara keliru, bahkan tidak jarang penyandang perilaku abnormal diperlakukan secara tidak manusiawi. Salah satu bentuk perilaku abnormal tersebut adalah ADHD ( Attention Deficit Hyperactivity Disorder ) atau gangguan pemusatan perhatian pada anak. Pada aplikasi yang akan dibuat ini, sistem pakar untuk mendeteksi jenis perilaku ADHD memberikan kesimpulan tentang jenis penyakit yang diderita dan tingkat keyakinannya. Digunakan metode Dempster Shafer sebagai metode untuk menghitung nilai kepercayaan atas gejala-gejala yang dipilih pasien. Dengan cara membandingkan setiap nilai bobot dari 2 gejala awal yang dipilih untuk seterusnya dibandingkan dengan nilai bobot gejala-gejala lain, sehingga menghasilkan gejala baru yang mengacu kepada suatu penyakit disertai dengan nilai keyakinannya Ada beberapa data masukan yang dimasukkan kedalam sistem pakar ini antara lain: data gejala, data penyakit dan data gejala penyakit. Data-data tersebut yang sudah dimasukkan disimpan kedalam basis pengetahuan sistem pakar dan akan digunakan dalam proses diagnosa menentukan jenis penyakit ADHD serta tingkat kenyakinannya.

Basis Pengetahuan Hal yang pertama kali dilakukan dalam membangun sistem pakar adalah membuat struktur basis pengetahuan. Basis pengetahuan merupakan kumpulan- kumpulan fakta. Beberapa struktur basis pengetahuan pada sistem pakar ini adalah sebagai berikut: Basis pengetahuan gejala Basis pengetahuan penyakit


5/28

1/19/2017


Basis pengetahuan gejala penyakit Dalam kasus ini seorang user (pengguna) dapat mengetahui jenis penyakit dan nilai tingkat kenyakinnaya dengan cara memasukkan gejala-gejala yang diderita kedalam sistem sehingga sistem pakar dengan metode Dempster Shafer akan mencocokkan gejala-gejala yang dimasukkan dengan jenis penyakit yang berada pada basis pengetahuan dan juga sistem akan memberikan nilai kepastian jenis penyakit tersebut. Pada basis pengetahuan berisikan tentang jenis penyakit, gejala-gejala, dan nilai densitas (Dempster Shafer ) gejala terhadap penyakit. Pada tabel 2.1 berisikan basis pengetahuan yang berisikan semua gejala yang mendukung semua jenis perilaku ADHD ( Attention Deficit Hyperactivity Disorder ) pada anak Tabel 2.1 : Basis pengetahuan gejala-gejala ADHD Kode

Gejala

G1

Sulit untuk disiplin

G2

Sangat sensitif terhadap kritikan

G3

Hanya memiliki sedikit teman

G4

Menghindari atau tidak menyukai kegiatan yang membutuhkan usaha berkesinambungan, contohnya duduk diam

G5

Mengalami kecemasan pada situasi baru atau yang tidak familiar

G6

Memiliki kecenderungan untuk melamun

G7

Sering merasa rendah diri dan tidak percaya diri

G8

Banyak merasa khawatir dan takut

G9

Menjawab tanpa berpikir,sementara pertanyaan belum selesai

G10

Apabila bermain, lebih sering mondar-mandir dan sulit bermain dengan tenang

G11

Bicara berlebihan

G12

Sering menghentak-hentakkan kaki ketika duduk diam

G13

Sering mengganggu anak-anak lain

G14

Mengalami kesulitan menunggu gilirannya (tidak sabaran)

G15

Sering mengambil mainan teman dengan paksa

G16

Reaktif, sering merespon kembali apa yang dilakukan kepadanya

G17

Sering mengulangi kata-kata yang diucapkan teman

G18

Sering bertindak kasar dengan teman sebaya

G19

Sikap menantang dan membangkang


6/28

1/19/2017


G20

Sering melanggar peraturan, bahkan peraturan yang sederhana

G21

Selalu bermasalah dengan orang- orang yang memiliki otoritas

G22

Mudah merasa terganggu, mudah marah

G23

Terlihat sangat pemalu dan menarik diri

G24

Mainan sering tertinggal

G25

Mudah beralih perhatian (terutamarangsang suara)

G26

Cenderung tidak mendengarkan ketika seseorang berbicara

G27

Memiliki masalah dalam hal mengatur tugas / kegiatan sehari- hari

G28

Sulit mengikuti petunjuk guru dan orang tua

G29

Sulit menyelesaikan tugas atau kegiatan yang diberikan guru atau orang tua

G30

Seringkali lupa dengan kebiasaan dan kegiatan sehari-hari

G31

Selalu bergerak, seperti berjalan atau memanjat

G32

Sering menggeliat

G33

Sering membuat gaduh suasana

G34

Selalu ingin memegang benda yang dilihat

Pada Tabel 2.2 berikut merupakan basis pengetahuan yang berisikan semua jenis penyakit yang mendukung perilaku ADHD ( Attention Deficit Hyperactivity Disorder ) pada anak Tabel 2.2 : Basis pengetahuan penyakit ADHD Kode

Nama

Keterangan

Penyakit P1

Inatentif

Anak-anak yang masalah utamanya adalah rendahnya konsentrasi dan kurangnya kemampuan untuk memusatkan perhatian.

P2

Hiperaktif

Anak-anak yang masalahnya terutama diakibatkan oleh perilaku yang tidak bisa diam.

P3

Impulsif

Anak-anak yang mengalami kesulitan untuk menunda respon (dorongan untuk mengatakan sesuatu/melakukan sesuatu dengan tidak sabar) dan selalu terburu-buru.

Tabel 2.3 berikut merupakan basis pengetahuan yang berisikan semua jenis gejala dan penyakit yang mendukung

perilaku ADHD ( Attention Deficit Hyperactivity Disorder ) pada anak serta nilai bobot atau nilai tingkat kepercayaan (nilai belief ) dan nilai plausability masing-masing gejala terhadap penyakit ADHD yang diderita anak. Tabel 2.3 : Basis pengetahuan gejala penyakit ADHD serta nilai belief masing- masing gejala terhadap penyakit


7/28

1/19/2017


G1

Sulit untuk disiplin

✓

✓

✓

0.3

0.7

G2

Sangat sensitif terhadap kritikan

✓

✓

✓

0.3

0.7

G3

Hanya memiliki sedikit teman

✓

✓

✓

0.3

0.7

G4

Menghindari atau tidak menyukai kegiatan yang membutuhkan usaha berkesinambungan, contohnya duduk diam

✓

✓

0.6

0.4

G5

Mengalami kecemasan pada situasi baru atau yang tidak familiar

✓

✓

0.6

0.4

G6

Memiliki kecenderungan untuk melamun

✓

✓

0.6

0.4

G7

Sering merasa rendah diri dan tidak percaya diri

✓

✓

0.6

0.4

G8


✓

0.6

0.4

G9

Menjawab tanpa berpikir,sementara pertanyaan belum selesai

✓

0.6

0.4

G10


✓

0.7

0.3

G11

Bicara berlebihan

✓

✓

0.6

0.4

G12

Sering menghentak-hentakkan kaki ketika duduk diam

✓

✓

0.6

0.4

G13


✓

✓

0.6

0.4

G14

Mengalami kesulitan menunggu gilirannya (tidak sabaran)

✓

0.85

0.15

G15

Sering mengambil mainan teman dengan paksa

✓

0.4

0.6

G16

Reaktif, sering merespon kembali apa yang dilakukan kepadanya

✓

0.85

0.15

G17

Sering mengulangi kata-kata yang diucapkan teman

✓

0.75

0.25

G18

Sering bertindak kasar dengan teman sebaya

✓

0.9

0.1

G19


✓

0.9

0.1

G20

Sering melanggar peraturan, bahkan peraturan yang sederhana

✓

0.75

0.25

G21

Selalu bermasalah dengan orang- orang yang memiliki otoritas

✓

0.6

0.4

G22

Mudah merasa terganggu, mudah marah

✓

✓

0.6

0.4

G23

Terlihat sangat pemalu dan menarik diri

✓

✓

0.6

0.4

G24

Mainan sering tertinggal

✓

0.7

0.3


✓

✓

✓

8/28

1/19/2017


.

.

G26

Cenderung tidak mendengarkan ketika seseorang berbicara

✓

0.9

0.1

G27

Memiliki masalah dalam hal mengatur tugas / kegiatan sehari- hari

✓

0.35

0.65

G28

Sulit mengikuti petunjuk guru dan orang tua

✓

0.6

0.4

G29

Sulit menyelesaikan tugas atau kegiatan yang diberikan guru atau orang tua

✓

0.75

0.25

G30

Seringkali lupa dengan kebiasaan dan kegiatan sehari-hari

✓

0.95

0.05

G31

Selalu bergerak, seperti berjalan atau memanjat

✓

0.95

0.05

G32

Sering menggeliat

✓

0.45

0.55

G33

Sering membuat gaduh suasana

✓

0.8

0.2

G34

Selalu ingin memegang benda yang dilihat

✓

0.9

0.1

Referensi: Anggia Karge nti E.M, M.Si

Analisa Aturan Penalaran Aturan Penalaran digunakan untuk menentukan proses pencarian atau menentukan kesimpulan untuk sebuah penyakit berdasarkan gejala-gejala yang diinputkan. Aturan penalaran yang digunakan di sini adalah Rule-Based Reasoning (penalaran berbasis aturan)

Metode Inferensi Langkah selanjutnya setelah membuat basis pengetahuan adalah analisa metode inferensi. Metode inferensi atau teknik penelusuran yang digunakan dalam sistem pakar ini adalah dengan menggunakan metode inferensi forward chaining . Metode inferensi forward chaining menggunakan himpunan aturan kondisi-aksi, dimana dalam pengambilan kesimpulan berdasarkan fakta-fakta atau pernyataan yang dimulai dengan kondisi IF kemudian THEN untuk menyimpulkan perilaku yang diderita. Untuk lebih memahami metode inferensi biasanya digunakan mesin inferensi. Mesin inferensi ini secara teori dapat berupa pohon keputusan ( decision tree) atau disebut juga dengan pohon inferensi. Pohon inferensi merupakan gambaran berbentuk grafis dari basis pengetahuan dan aturan-aturan dalam mesin inferensi.

Persiapan Data Sebagai bahan pembelajaran aplikasi Sistem Pakar dengan DST ini; dibuat database (dalam hal ini menggunakan MySQL/MariaDB Database server) dengan nama db_expert sebagai berikut:


9/28

1/19/2017


CREATE DATABASE IF NOT EXISTS db_expert; USE db_expert;

MySQL 5.7 Reference Manual : CREATE DATABASE Syntax http://dev.mysql.com/doc/refman/5.7/en/createdatabase.html (http://dev.mysql.com/doc/refman/5.7/en/create-database.html)

Membuat Data Tabel Evidences Tabel ds_evidences merupakan tabel untuk menyimpan data-data entitas gejala. Atribut-atribut dari gejala yang akan disimpan meliputi id , code (opsional ), dan name . Struktur tabelnya adalah sebagai berikut : DROP TABLE IF EXISTS ds_evidences; CREATE TABLE IF NOT EXISTS ds_evidences( id INT AUTO_INCREMENT, code VARCHAR(3), name VARCHAR(30), PRIMARY KEY (id) ) ENGINE=MyISAM CHARSET=utf8;

MySQL 5.7 Reference Manual : CREATE TABLE Syntax http://dev.mysql.com/doc/refman/5.7/en/createtable.html (http://dev.mysql.com/doc/refman/5.7/en/create-table.html)

Mengacu kepada daftar gejala yang ditunjukkan dalam contoh kasus ( Tabel 2.1 ) dapat dimasukkan data-data tersebut dalam tabel ds_evidences seperti berikut ini:


10/28

1/19/2017


INSERT INTO ds_evidences('code','name') VALUES ('G1','Sulit untuk disiplin'), ('G2','Sangat sensitif terhadap kritikan'), ('G3','Hanya memiliki sedikit teman'), ('G4','Menghindari atau tidak menyukai kegiatan yang membutuhkan usaha berkesinambungan, contohnya d uduk diam'), ('G5','Mengalami kecemasan pada situasi baru atau yang tidak familiar'), ('G6','Memiliki kecenderungan untuk melamun'), ('G7','Sering merasa rendah diri dan tidak percaya diri'), ('G8','Banyak merasa khawatir dan takut'), ('G9','Menjawab tanpa berpikir,sementara pertanyaan belum selesai'), ('G10','Apabila bermain, lebih sering mondar‐mandir dan sulit bermain dengan tenang'), ('G11','Bicara berlebihan'), ('G12','Sering menghentak‐hentakkan kaki ketika duduk diam'), ('G13','Sering mengganggu anak‐anak lain'), ('G14','Mengalami kesulitan menunggu gilirannya (tidak sabaran)'), ('G15','Sering mengambil mainan teman dengan paksa'), ('G16','Reaktif, sering merespon kembali apa yang dilakukan kepadanya'), ('G17','Sering mengulangi kata‐kata yang diucapkan teman'), ('G18','Sering bertindak kasar dengan teman sebaya'), ('G19','Sikap menantang dan membangkang'), ('G20','Sering melanggar peraturan, bahkan peraturan yang sederhana'), ('G21','Selalu bermasalah dengan orang‐ orang yang memiliki otoritas'), ('G22','Mudah merasa terganggu, mudah marah'), ('G23','Terlihat sangat pemalu dan menarik diri'), ('G24','Mainan sering tertinggal'), ('G25','Mudah beralih perhatian (terutamarangsang suara)'), ('G26','Cenderung tidak mendengarkan ketika seseorang berbicara'), ('G27','Memiliki masalah dalam hal mengatur tugas / kegiatan sehari‐ hari'), ('G28','Sulit mengikuti petunjuk guru dan orang tua'), ('G29','Sulit menyelesaikan tugas atau kegiatan yang diberikan guru atau orang tua'), ('G30','Seringkali lupa dengan kebiasaan dan kegiatan sehari‐hari'), ('G31','Selalu bergerak, seperti berjalan atau memanjat'), ('G32','Sering menggeliat'), ('G33','Sering membuat gaduh suasana'), ('G34','Selalu ingin memegang benda yang dilihat');

MySQL 5.7 Reference Manual : INSERT Syntax http://dev.mysql.com/doc/refman/5.7/en/insert.html (http://dev.mysql.com/doc/refman/5.7/en/insert.html)

Membuat Data Tabel Problems Data-data mengenai penyakit/masalah disimpan dalam tabel ds_problems . Atribut-atribut yang disimpan diantaranya adalah id , code (optional ), name , dan notes (optional . Selain itu bisa juga ditambahkan atribut-atribut lain semisal saran tindakan, cara pengobatan dan lain sebagainya. Struktur tabelnya kurang lebih adalah sebagai berikut :


11/28

1/19/2017


DROP TABLE IF EXISTS ds_problems; CREATE TABLE IF NOT EXISTS ds_problems( id INT AUTO_INCREMENT, code VARCHAR(3), name VARCHAR(30), notes TEXT, PRIMARY KEY (id) ) ENGINE=MyISAM CHARSET=utf8;

Data-data penyakit pada Tabel 2.2 dapat dimasukkan ke dalam tabel ds_problems dengan query SQL sebagai berikut : INSERT INTO ds_problems('code','name','notes') VALUES ('P1','Inatentif','Anak‐anak yang masalah utamanya adalah rendahnya konsentrasi dan kurangnya kemamp uan untuk memusatkan perhatian.'), ('P2','Hiperaktif','Anak‐anak yang masalahnya terutama diakibatkan oleh perilaku yang tidak bisa dia m.'), ('P3','Impulsif','Anak‐anak yang mengalami kesulitan untuk menunda respon (dorongan untuk mengatakan sesuatu/melakukan sesuatu dengan tidak sabar) dan selalu terburu‐buru.');

Membuat Data Tabel Rules Tabel ds_rules merupakan representasi dari data-data basis pengetahuan gejala penyakit. Tabel ini adalah tabel relasi antara entitas gejala ( evidence ) dengan entitas penyakit ( problem ), dengan tambahan atribut certainly factor (cf) yang menunjukkan nilai tingkat kepercayaannya. Struktur tabelnya adalah sebagai berikut : DROP TABLE IF EXISTS ds_rules; CREATE TABLE IF NOT EXISTS ds_rules( id_problem INT, id_evidence INT, cf float ) ENGINE=MyISAM CHARSET=utf8;

Berdasarkan daftargejala penyakit ADHD serta nilai belief masing- masing gejala terhadap penyakit Tabel 2.3 dapat dimasukkan data-data tersebut dalam tabel ds_rules seperti berikut ini:


12/28

1/19/2017


INSERT INTO ds_rules('id_problem','id_evidence','cf') VALUES ('1','1','0.3'), ('2','1','0.3'), ('3','1','0.3'), ('1','2','0.3'), ('2','2','0.3'), ('3','2','0.3'), ('1','3','0.3'), ('2','3','0.3'), ('3','3','0.3'), ('1','4','0.6'), ('2','4','0.6'), ('1','5','0.6'), ('2','5','0.6'), ('1','6','0.6'), ('2','6','0.6'), ('3','6','0.6'), ('1','7','0.6'), ('2','7','0.6'), ('1','8','0.6'), ('1','9','0.6'), ('3','9','0.6'), ('2','10','0.7'), ('2','11','0.6'), ('3','11','0.6'), ('2','12','0.6'), ('3','12','0.6'), ('2','13','0.6'), ('3','13','0.6'), ('3','14','0.85'), ('3','15','0.4'), ('3','16','0.85'), ('3','17','0.75'), ('3','18','0.9'), ('3','19','0.9'), ('3','20','0.75'), ('2','21','0.6'), ('3','21','0.6'), ('1','22','0.6'), ('3','22','0.6'), ('1','23','0.6'), ('3','23','0.6'), ('1','24','0.7'), ('1','25','0.85'), ('1','26','0.9'), ('1','27','0.35'), ('1','28','0.6'), ('1','29','0.75'), ('1','30','0.95'), ('2','31','0.95'), ('2','32','0.45'), ('2','33','0.8'), ('2','34','0.9');


13/28

1/19/2017


Koneksi ke Database Server Dari databse yang sudah dibuat, kita bisa membuat script php untuk membuat koneksi ke database server dengan extension mysqli secara sederhana sebagai berikut: connect_error) { die('Connect Error ('.$db‐>connect_errno.')'.$db‐>connect_error); } ?>

PHP Reference Manual : MySQLi Extension http://php.net/manual/en/book.mysqli.php (http://php.net/manual/en/book.mysqli.php)

Pembuatan Aplikasi Menampilkan Daftar Gejala Sebagai tampilan awal dari aplikasi yang akan dibuat adalah berupa daftar input pilihan gejala. Karena dimungkinkan untuk memilih lebih dari satu gejala, maka jenis inputan yang cocok adalah berupa inputan checkbox (dalam HTML dengan sintak tag/element ) -- dan sebagai alternatif lain bisa juga digunakan input {$row‐>code} {$row‐>nam e}
"; } ?>

Pada tag/element tersebut nilai atribute name -nya adalah ' evidence[] ' sehingga memungkinkan untuk mengirimkan nilai dari beberapa checkbox (multiple value). Nilai tersebut akan dikirim berupa array. Yang perlu sedikit diperhatikan adalah karakteristik dari tag/element yang hanya akan mengirim nilainya jika dalam kondisi ter- check . MYSQL SELECT syntax reference http://dev.mysql.com/doc/refman/5.7/en/select.html (http://dev.mysql.com/doc/refman/5.7/en/select.html) HTML FORM element reference : https://www.w3.org/wiki/HTML/Elements/form (https://www.w3.org/wiki/HTML/Elements/form) HTML INPUT element reference : https://www.w3.org/wiki/HTML/Elements/input (https://www.w3.org/wiki/HTML/Elements/input) HTML SELECT element reference : https://www.w3.org/wiki/HTML/Elements/input/select (https://www.w3.org/wiki/HTML/Elements/select) PHP WHILE control structure reference : http://php.net/manual/en/control-structures.while.php (http://php.net/manual/en/control-structures.while.php)

Mengambil Nilai Gejala yang Dipilih Pada saat form tersebut disubmit dengan menekan tombol proses maka data akan dikirim dengan HTTP POST method pada halaman itu sendiri (karena tidak dispesifikasikan nilai dari atribut action pada tag
-nya). Untuk mengambil nilai yang dikirimkan tersebut digunakan variable $_POST , sebagai berikut :


15/28

1/19/2017


query($sql); $evidence=array(); while($row=$result‐>fetch_row()){ $evidence[]=$row; } //‐‐ masukkan kode perhitungannya di sini } }

Sebelum proses berlanjut di cek dahulu apakah ada nilai gejala yang diterima dengan if(isset($_POST['evidence')) , jika tidak ada maka abaikan, sedangkan jika ada di cek kembali apakah jumlah gejala yang dikirimkan kurang dari 2 ( if(count($_POST['evidence'])<2) ) maka tampilkan notifikasi/pemberitahuan untuk memilih 2 atau lebih gejala. Jika yang diterima ada 2 atau lebih gejala maka dapatkan list densitas awalnya dengan query seperti pada script di atas, kemudian masukkan nilainya ke dalam variabel array $evidence Pada bagian yang bertuliskan: //‐‐ masukkan kode perhitungannya di sini

diisi dengan perintah-perintah yang akan dijelaskan pada bagian-bagian lain berikut ini. PHP $_POST variable reference : http://php.net/manual/en/reserved.variables.post.php (http://php.net/manual/en/reserved.variables.post.php) PHP isset() function reference : http://php.net/manual/en/function.isset (http://php.net/manual/en/function.isset) PHP count() function reference : http://php.net/manual/en/function.count.php (http://php.net/manual/en/function.count.php) PHP implode() function reference : http://php.net/manual/en/function.implode.php (http://php.net/manual/en/function.implode.php) MYSQL GROUP_CONCAT() function reference : http://dev.mysql.com/doc/refman/5.7/en/group-byfunctions.html#function_group-concat (http://dev.mysql.com/doc/refman/5.7/en/group-byfunctions.html#function_group-concat)

Menentukan Environment Sebelum menuju ke proses perhitungan berikutnya, ditentukan dahulu semesta pembicaraan ( frame of discernment FOD) atau environment -nya sebagai berikut:


16/28

1/19/2017


//‐‐‐ menentukan environement $sql="SELECT GROUP_CONCAT(code) FROM ds_problems"; $result=$db‐>query($sql); $row=$resul‐>fecth_row(); $fod=$row[0];

Dengan menggunakan fungsi GROUP_CONCAT() maka nilai dari field code akan ditampilkan dalam bentuk serialized string dengan koma (,) sebagai pemisah antar code tersebut. (dalam contoh aplikasi ini akan menjadi ' P1,P2,P3 '), sehingga nilai dari variable $fod adalah merupakan environment dari sistem aplikasi sistem pakar ini.

Menentukan Nilai Densitas Inti dari aplikasi ini adalah dalam perhitungan untuk menentukan nilai densitas dari beberapa evidence yang diberikan. Dalam proesnya, dari setiap gejala yang diberikan akan dihitung satu per satu untuk densitasnya sampai semuanya habis diperhitungkan. Jika gejala yang pertama ada densitas ke-1 dan gejala kedua adalah densitas ke-2, maka dari perhitungan akan didapatkan densitas ke-3. Jika ada gejala ketiga maka akan dijadikan sebagai densitas ke-4 yang akan diperhitungkan dengan densitas ke-3 dari hasil sebelumnya untuk mendapatkan densitas baru yaitu densitas ke-5; demikian seterusnya sampai semua gejala yang diterima diperhitungkan. Dengan kata lain jika ada N buah gejala yang diberikan, maka hasilnya adalah densitas ke N+1 . Data gejala yang diterima ( $evidence ) akan diambil satu demi satu dengan fungsi array_shift() dalam kalang(loop) while() selama $evidence tersebut masih ada ( !empty($evidence) ). Gejala yang muncul, sesuai urutan akan dimasukkan ke dalam variabel $evidence[0] , sedangkan plausability -nya dimasukkan ke variabel evidence[1]

Jika belum ada hasil perhitungan densitas sebelumnya ( empty($densitas_baru) ) maka gejala berikutnya (yang kedua) dimasukkan ke dalam $densitas2[0] sebagai densitas kedua; sedangkan jika sudah ada maka semua hasil perhitungan sebelumnya kecuali yang ber- index/key " θ " dimasukkan ke variabel array $densitas2 sebagai item array baru yang merepresentasikan suatu densitas baru Selanjutnya menghitung nilai plausability dari densitas baru tersebut ( $theta ); yaitu 1 dikurangi jumlah total nilai kemungkinan dari masing-masing elemen densitas baru itu. Caranya dengan pertama-tama meng-inisialisai variable $theta=1; dan dilakukan pengurangan nilai kemungkinan masing-masing elemen densitas yang baru dengan perintah foreach($densitas2 as $d) $theta‐=$d[1]; . Hasilnya dimasukkan dalam item array baru dari variable array $densitas2 .


17/28

1/19/2017


//‐‐‐ menentukan nilai densitas $densitas_baru=array(); while(!empty($evidence)){ $densitas1[0]=array_shift($evidence); $densitas1[1]=array($fod,1‐$densitas1[0][1]); $densitas2=array(); if(empty($densitas_baru)){ $densitas2[0]=array_shift($evidence); }else{ foreach($densitas_baru as $k=>$r){ if($k!="θ"){ $densitas2[]=array($k,$r); } } } $theta=1; foreach($densitas2 as $d) $theta‐=$d[1]; $densitas2[]=array($fod,$theta); $m=count($densitas2); $densitas_baru=array(); for($y=0;$y<$m;$y++){ for($x=0;$x<2;$x++){ if(!($y==$m‐1 && $x==1)){ $v=explode(',',$densitas1[$x][0]); $w=explode(',',$densitas2[$y][0]); sort($v); sort($w); $vw=array_intersect($v,$w); if(empty($vw)){ $k="θ"; }else{ $k=implode(',',$vw); } if(!isset($densitas_baru[$k])){ $densitas_baru[$k]=$densitas1[$x][1]*$densitas2[$y][1]; }else{ $densitas_baru[$k]+=$densitas1[$x][1]*$densitas2[$y][1]; } } } } foreach($densitas_baru as $k=>$d){ if($k!="θ"){ $densitas_baru[$k]=$d/(1‐(isset($densitas_baru["θ"])?$densitas_baru["& theta;"]:0)); } } print_r($densitas_baru); }

Proses selanjunya adalah menghitung jumlah iterasi, sesuai jumlah item array dari densitas yang baru dengan kode $m=count($densitas2); . Dalam kalang -- loop for() dua dimensi dilakukan perhitungan untuk mendapatkan densitas yang baru.


18/28

1/19/2017


Karena hasil perkalian antara nilai kemungkinan dari plausability dari densitas yang pertama dan kedua tidak diperhitungkan, maka dibatasi dengan if(!($y==$m‐1 && $x==1)) perhitungan densitas yang baru dilakukan. Tiap elemen dari $densitas1 dan $densitas2 dikalikan nilai kemungkinannya, dan index/key -nya merupakan irisan -intersect dari kode penyakitnya (dalam hal ini memakai fungsi array_intersect() ). Dan akhirnya berdasarkan persamaan Dempster's Rule of Combination [DST-06] dihitung masing-masing nilai kemungkinan dari tiap elemen dari densitas yang baru tersebut PHP Control Structure refrence : http://php.net/manual/en/language.control-structures.php (http://php.net/manual/en/language.control-structures.php) PHP array_intersect() function reference : http://php.net/manual/en/function.array-intersect.php (http://php.net/manual/en/function.array-intersect.php)

Perangkingan Pada proses perangkingan ini, pertama-tama hilangkan hasil sebelumnya yang mempunyai key/index = "θ" dengan memakai kode unset($densitas_baru["θ"]); . Selanjunya data tersebut diurutkan dengan tetap mempertahankan associative keys-nya dengan pengurutan secara terbalik ( reverse -- dari besar ke kecil) menggunakan fungsi arsort . //‐‐‐ perangkingan unset($densitas_baru["θ"]); arsort($densitas_baru); print_r($densitas_baru);

Perintah print_r($densitas_baru); digunakan untuk menampilkan hasil perhitungan terakhir yang sudah terurut dari yang terbesar nilainya hingga yang terkecil nilainya PHP unset() function reference http://php.net/manual/en/function.unset.php (http://php.net/manual/en/function.unset.php) PHP arsort() function reference http://php.net/manual/en/function.arsort.php (http://php.net/manual/en/function.arsort.php)

Menampilkan Hasil Akhir Hasil akhir dari perhitungan ini adalah penyakit(atau beberapa penyakit) dengan nilai derajat kemungkinannya yang tertinggi. Hasil dari proses perangkingan sebelumnya adalah berupa array associative, dengan key -nya berupa kode penyakit dan nilai array-nya adalah nilai derajat kemungkinannya. Untuk mendapatkan key dari array tersebut maka digunakan fungsi array_keys() . Data daftar key (atau kode penyakit) tersebut kemudian dimasukkan ke dalam variable $codes .


19/28

1/19/2017


//‐‐‐ menampilkan hasil akhir $codes=array_keys($densitas_baru); $sql="SELECT GROUP_CONCAT(name) FROM ds_problems WHERE code IN('".implode("','",$codes[0])."')"; $result=$db‐>query($sql); $row=$result‐>fetch_row(); echo "Terdeteksi penyakit {$row[0]} dengan derajat kepercayaan ".round($densitas_baru[$codes [0]]*100,2)."%";

Dengan menggunakan query SQL seperti pada script di atas, diambil nama (atau beberapa nama) penyakit yang codenya ada di $code[0] (kode penyakit dengan nilai kemungkinan tertinggi), untuk kemudian ditampilkan $row[0] beserta nilai kemungkinannya dalam prosentase (dikali 100, dibulatkan 2 angka dibelakang koma dengan fungsi round() ). PHP array_keys() function reference http://php.net/manual/en/function.array-keys.php (http://php.net/manual/en/function.array-keys.php')

Simulasi Simulasi sistem pakar dengan menggunakan metode Dempster Shafer untuk mendeteksi jenis perilaku abnormal ADHD ( Attention Deficit Hyperactivity Disorder )

DAFTAR GEJALA Sulit untuk disiplin Sangat sensitif terhadap kritikan Hanya memiliki sedikit teman Menghindari atau tidak menyukai kegiatan yang membutuhkan usaha berkesinambungan, contohnya duduk diam Mengalami kecemasan pada situasi baru atau yang tidak familiar Memiliki kecenderungan untuk melamun Sering merasa rendah diri dan tidak percaya diri Banyak merasa khawatir dan takut Menjawab tanpa berpikir,sementara pertanyaan belum selesai Apabila bermain, lebih sering mondar-mandir dan sulit bermain dengan tenang Bicara berlebihan Sering menghentak-hentakkan kaki ketika duduk diam Sering mengganggu anak-anak lain Mengalami kesulitan menunggu gilirannya (tidak sabaran) Sering mengambil mainan teman dengan paksa Reaktif, sering merespon kembali apa yang dilakukan kepadanya Sering mengulangi kata-kata yang diucapkan teman


20/28

1/19/2017


Sering bertindak kasar dengan teman sebaya Sikap menantang dan membangkang Sering melanggar peraturan, bahkan peraturan yang sederhana Selalu bermasalah dengan orang- orang yang memiliki otoritas Mudah merasa terganggu, mudah marah Terlihat sangat pemalu dan menarik diri Mainan sering tertinggal Mudah beralih perhatian (terutamarangsang suara) Cenderung tidak mendengarkan ketika seseorang berbicara Memiliki masalah dalam hal mengatur tugas / kegiatan sehari- hari Sulit mengikuti petunjuk guru dan orang tua Sulit menyelesaikan tugas atau kegiatan yang diberikan guru atau orang tua Seringkali lupa dengan kebiasaan dan kegiatan sehari-hari Selalu bergerak, seperti berjalan atau memanjat Sering menggeliat Sering membuat gaduh suasana Selalu ingin memegang benda yang dilihat Referensi: America n Psychia tric Asso ciation DSM-IV TR (199 4)

Proses

HASIL PERHITUNGAN

Menentukan Nilai Densitas (m) Awal Nilai densitas (m) awal terdiri dari belief dan plausibility Gejala 1 : Banyak merasa khawatir dan takut Berdasarkan Tabel 2.3 mengenai relasi antara gejala dengan penyakit serta nilai densitas gejala untuk mendeteksi

perilaku ADHD maka diperoleh: m1{P1}=0.6

Selanjutnya merujuk pada rumus perhitungan plausibility [DST-02] sehingga diperoleh nilai plausibility m1{θ}=1‐0.6=0.4

Gejala 2 : Apabila bermain, lebih sering mondar-mandir dan sulit bermain dengan tenang Berdasarkan Tabel 2.3 mengenai relasi antara gejala dengan penyakit serta nilai densitas gejala untuk mendeteksi


Selanjutnya merujuk pada rumus perhitungan plausibility [DST-02] sehingga diperoleh nilai plausibility


21/28

1/19/2017


m2{θ}=1‐0.7=0.3

Berdasarkan penentuan densitas awal pada gejala 1 dan 2, maka dapat diperoleh juga densitas awal untuk gejalagejala berikutnya yang dapat dilihat pada Tabel 5.1 berikut: Tabel 5.1 Densitas (m) Awal No

Gejala

Penyakit

Densitas (m) Belief

Plausibility

1


P1

0.6

0.4

2


P2

0.7

0.3

3

Bicara berlebihan

P2,P3

0.6

0.4

4


P2,P3

0.6

0.4

5


P3

0.9

0.1

Menentukan Nilai Densitas (m) Baru Berdasarkan Tabel 5.1 dapat dihitung nilai densitas (m) baru dengan membuat tabel aturan kombinasi terlebih dahulu. Kemudian kombinasi yang dihasilkan akan digunakan pada saat menunjukkan adanya gejala baru Dengan munculnya gejala kedua yaitu Apabila bermain, lebih sering mondar-mandir dan sulit bermain dengan tenang , maka harus dilakukan penghitungan densitas baru untuk beberapa kombinasi (m 3). Untuk memudahkan perhitungan maka himpunan-himpunan bagian yang terbentuk dimasukkan ke dalam tabel. Kolom pertama diisi dengan gejala yang pertama (m 1). Sedangkan baris pertama diisi dengan gejala yang kedua (m )2 . Sehingga diperoleh nilai m 3 sebagai hasil kombinasi m 1 dan m 2. Tabel 5.2 :Aturan kombinasi untuk m3 m2{P1}

m2{θ}

0.6

0.4

m1{P2}

θ

P2

0.7

0.42

0.28

m1{θ}

P1

θ

0.3

0.18

0.12

Merujuk pada rumus [DST-07 (dst_07)] evidential conflict -nya ada, maka nilainya adalah k =0.42, sehingga dapat dihitung berdasarkan persamaan [DST-06 (dst_06)]: m3{P2}=0.28/(1‐(0.42)) m3{P2}=0.48275862069 m3{P1}=0.18/(1‐(0.42)) m3{P1}=0.310344827586


22/28

1/19/2017


Sehingga dari perhitungan #1 didapatkan : m3(P2)=0.48275862069 m3(P1)=0.310344827586

merujuk pada rumus perhitungan plausibility [DST-02] sehingga diperoleh nilai plausibility m3{θ}=1‐(0.48275862069+0.310344827586)=0.206896551724

Gejala 3 : Bicara berlebihan

Berdasarkan Tabel 2.3 mengenai relasi antara gejala dengan penyakit serta nilai densitas gejala untuk mendeteksi perilaku ADHD maka diperoleh: m4{P2,P3}=0.6


Tabel 5.3 :Aturan kombinasi untuk m5 m4{P2,P3}

m4{θ}

0.6

0.4

m3{P2}

P2

P2

0.48275862069

0.289655172414

0.193103448276

m3{P1}

θ

P1

0.310344827586

0.186206896552

0.124137931034

m3{θ}

P2,P3

θ

0.206896551724

0.124137931034

0.0827586206897

Merujuk pada rumus [DST-07 (dst_07)] evidential conflict -nya ada, maka nilainya adalah k =0.186206896552, sehingga dapat dihitung berdasarkan persamaan [DST-06 (dst_06)]: m5{P2}=(0.289655172414+0.193103448276)/(1‐(0.186206896552)) m5{P2}=0.48275862069/(1‐(0.186206896552)) m5{P2}=0.593220338983 m5{P1}=0.124137931034/(1‐(0.186206896552)) m5{P1}=0.152542372881 m5{P2,P3}=0.124137931034/(1‐(0.186206896552)) m5{P2,P3}=0.152542372881

Sehingga dari perhitungan #2 didapatkan : m5(P2)=0.593220338983 m5(P1)=0.152542372881 m5(P2,P3)=0.152542372881

merujuk pada rumus perhitungan plausibility [DST-02] sehingga diperoleh nilai plausibility


23/28

1/19/2017


m5{θ}=1‐(0.593220338983+0.152542372881+0.152542372881)=0.101694915254

Gejala 4 : Sering mengganggu anak-anak lain

Berdasarkan Tabel 2.3 mengenai relasi antara gejala dengan penyakit serta nilai densitas gejala untuk mendeteksi perilaku ADHD maka diperoleh: m6{P2,P3}=0.6


Tabel 5.4 :Aturan kombinasi untuk m7 m6{P2,P3}

m6{θ}

0.6

0.4

m5{P2}

P2

P2

0.593220338983

0.35593220339

0.237288135593

m5{P1}

θ

P1

0.152542372881

0.0915254237288

0.0610169491525

m5{P2,P3}

P2,P3

P2,P3

0.152542372881

0.0915254237288

0.0610169491525

m5{θ}

P2,P3

θ

0.101694915254

0.0610169491525

0.0406779661017

Merujuk pada rumus [DST-07 (dst_07)] evidential conflict -nya ada, maka nilainya adalah k =0.0915254237288, sehingga dapat dihitung berdasarkan persamaan [DST-06 (dst_06)]: m7{P2}=(0.35593220339+0.237288135593)/(1‐(0.0915254237288)) m7{P2}=0.593220338983/(1‐(0.0915254237288)) m7{P2}=0.652985074627 m7{P1}=0.0610169491525/(1‐(0.0915254237288)) m7{P1}=0.0671641791045 m7{P2,P3}=(0.0915254237288+0.0610169491525+0.0610169491525)/(1‐(0.0915254237288)) m7{P2,P3}=0.213559322034/(1‐(0.0915254237288)) m7{P2,P3}=0.235074626866

Sehingga dari perhitungan #3 didapatkan : m7(P2)=0.652985074627 m7(P1)=0.0671641791045 m7(P2,P3)=0.235074626866

merujuk pada rumus perhitungan plausibility [DST-02] sehingga diperoleh nilai plausibility m7{θ}=1‐(0.652985074627+0.0671641791045+0.235074626866)=0.044776119403


24/28

1/19/2017


Gejala 5 : Sikap menantang dan membangkang Berdasarkan Tabel 2.3 mengenai relasi antara gejala dengan penyakit serta nilai densitas gejala untuk mendeteksi



Tabel 5.5 :Aturan kombinasi untuk m9 m8{P3}

m8{θ}

0.9

0.1

m7{P2}

θ

P2

0.652985074627

0.587686567164

0.0652985074627

m7{P1}

θ

P1

0.0671641791045

0.060447761194

0.00671641791045

m7{P2,P3}

P3

P2,P3

0.235074626866

0.211567164179

0.0235074626866

m7{θ}

P3

θ

0.044776119403

0.0402985074627

0.0044776119403

Merujuk pada rumus [DST-07 (dst_07)] evidential conflict -nya ada, maka nilainya adalah k =0.587686567164+0.060447761194=0.648134328358, sehingga dapat dihitung berdasarkan persamaan [DST-06 (dst_06)]: m9{P2}=0.0652985074627/(1‐(0.648134328358)) m9{P2}=0.185577942736 m9{P1}=0.00671641791045/(1‐(0.648134328358)) m9{P1}=0.0190880169671 m9{P3}=(0.211567164179+0.0402985074627)/(1‐(0.648134328358)) m9{P3}=0.251865671642/(1‐(0.648134328358)) m9{P3}=0.715800636267 m9{P2,P3}=0.0235074626866/(1‐(0.648134328358)) m9{P2,P3}=0.0668080593849

Sehingga dari perhitungan #4 didapatkan : m9(P2)=0.185577942736 m9(P1)=0.0190880169671 m9(P3)=0.715800636267 m9(P2,P3)=0.0668080593849

Hasil Perangkingan


25/28

1/19/2017


Dari hasil perhitungan yang terakhir tersebut kemudian diurutkan nilainya dari yang terbesar ke yang terkecil sebagai berikut m9(P3)=0.715800636267 m9(P2)=0.185577942736 m9(P2,P3)=0.0668080593849 m9(P1)=0.0190880169671

Dari perhitungan 5 gejala tersebut didapat hasil penyakit P3 Impulsif dengan nilai probabilitas 0.715800636267 atau bila dipresentasekan : 71.58 %

copyright © 2017 cahyadsn

Dan seandainya pohon-pohon di bumi menjadi pena dan laut (menjadi tinta), ditambahkan kepadanya tujuh laut (lagi) sesudah (kering)nya, niscaya tidak akan habishabisnya (dituliskan) kalimat Allah. Sesungguhnya Allah Maha Perkasa lagi Maha Bijaksana. QS Al Luqman (31) : 27

Daftar Pustaka American Psychiatric Association (1994). Diagnostic And Statistical Manual Of Mental Disorders (4th editon text revision) / DSM IV-TR. pp. 78-85 Dempster, A. P. (1967). Upper and lower probabilities induced by a multivalued mapping . The Annals of Mathematical Statistics. 38 (2): 325–339. Dempster, Arthur P.(1968) A generalization of Bayesian inference, Journal of the Royal Statistical Society , Series B, Vol. 30, pp. 205–247 Giarratano,Joseph C.;Riley, Gary D. (1989) Expert Systems: Principles and Programming , Fourth Edition Kusrini (2006). Sistem Pakar Teori dan Aplikasi . Yogyakarta: Andi Kusrini (2008). Aplikasi Sistem Pakar . Yogyakarta: Andi Putra, Eka Ramian. (2013) Sistem Pakar Dengan Menggunakan Metode Dempster Shafer Untuk Mendeteksi Jenis Perilaku Abnormal ADHD (Attention Deficit Hyperactivity Disorder) Pada Anak Shafer, Glenn (1976). A Mathematical Theo ry of Evidence . Princeton University Press, ISBN 0-608-02508-9 Shafer, Glenn. (2002) Dempster–Shafer theory


26/28

1/19/2017


Code licensed under Apache License v2.0 (http://www.apache.org/licenses/LICENSE-2.0), documentation under CC BY 3.0 (http://creativecommons.org/licenses/by/3.0/).


27/28

1/19/2017



28/28

336914655-Dempster-Shafer-Theory-cahyadsn.pdf

Recommend Documents