Sebelumnya... Sistem Pakar berbasis Aturan (Rule-Based Expert System, RBES) Sistem Pakar Representasi Pengetahuan Penalaran
|
|
- Hartanti Kusumo
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Sebelumnya... Sistem Pakar berbasis Aturan (Rule-Based Expert System, RBES) Sistem Pakar Representasi Pengetahuan Penalaran Forward chaining Backward chaining Resolusi Konflik
2 Contoh RBES (1) Sistem pakar untuk... Perhatikan sistem produksi berikut: Rule 1 IF suhu <37 THEN tidak demam Rule 2 IF suhu >37 AND suhu <38 THEN demam rendah Rule 3 IF suhu > 38 THEN demam tinggi Rule 4 IF hidung tersumbat ringan THEN Beringus Rule 5 IF hidung tersumbat berat THEN pembengkakan selaput sinus
3 Contoh RBES (2) Rule 6 IF Demam rendah AND Sakit kepala AND Beringus AND Batuk THEN flu Rule 7 IF flu AND Tidak Radang tenggorokan THEN jangan diobati Rule 8 IF flu AND Radang tenggorokan THEN diobati Rule 9 IF Jangan diobati THEN Jangan berikan obat Rule 10 IF diobati THEN Berikan Obat
4 Contoh RBES (3) Rule 11 IF Berikan Obat AND Alergi Antibiotika THEN Berikan Tylenol Rule 12 IF Berikan Obat AND Tidak alergi Antibiotika THEN Berikan Antibiotika
5 Contoh RBES (4) Pasien mengalami sakit kepala dan hidung tersumbat. Demamnya 37.5 dan batuk. Pasien menolak dikatakan alergi antibiotika. Hasil lab. menunjukkan bahwa orang tersebut juga mengalami radang tenggorokan. 1) Gunakan forward chaining untuk mengetahui apakah pasien boleh diberikan Antibiotika. 2) Gunakan backward chaining untuk mengetahui secara terbalik, jika diberikan antibiotika, apa gejala-gejalanya?
6 Bagaimana dengan ini? (1) Aturan Produksi: Rule 1 IF shape is long AND color is yellow THEN fruit is banana Rule 2 IF shape is round AND color is red AND size is medium THEN then fruit is apple Rule 3 IF shape is round AND color is red AND size is small THEN then fruit is cherry Rule 4 IF skin smell THEN perfumed
7 Bagaimana dengan ini? (2) Rule 5 IF fruit is lemon OR fruit is orange OR fruit is pomelo OR fruit is grapefruit THEN citrus fruit Rule 6 IF size is medium AND color is yellow AND perfumed THEN then fruit is lemon Rule 7 IF size is medium AND color is green THEN fruit is kiwi Rule 8 IF size is big AND perfumed AND color is orange AND citrus fruit THEN fruit is grapefruit
8 Bagaimana dengan ini? (3) Rule 9 IF perfumed AND color is orange AND size is medium THEN fruit is orange Rule 10 IF perfumed AND color is red AND size is small AND no seeds THEN fruit is strawberry Rule 11 IF diameter <2 cm THEN size is small Rule 12 IF diameter >10 cm THEN size is big Rule 13 IF diameter >2 cm AND diameter <10 cm THEN size is medium
9 Bagaimana dengan ini? (4) Premis/Fakta/Kondisi dalam database: The fruit has no seed, a 7 cm diameter, smelling skin, orange color Tugas? 1) Gunakan forward chaining untuk membuktikan bahwa fruit adalah citrus fruit. 2) Gunakan backward chaining untuk mengetahui sebaliknya, jika citrus fruit, apa saja ciri-cirinya?.
10 Latihan (Praktik) Buatkan suatu basis pengetahuan dan basis data yang terdiri sekitar 10 rules dan 15 fakta: 1) Lakukan penalaran forward chaining 2) Lakukan penalaran backward chaining 3) Buatkan rantai inferensinya. 4) Gambarkan chaining-nya dalam suatu diagram. 5) Gunakan kreatifitas anda dan pengetahuan pakar dalam domain pilihan tersebut.
11 Bagi yang Tidak Ikut UTS Kerjakan soal UTS, dan kumpulkan Waktu: 1 Minggu (Deadline: 28 November 2013)
12 Perbaikan UTS Telah ada tugas, merangkum paper, tujuan: memperbaiki hasil UTS Apakah tugas tsb telah dikerjakan dengan baik? Contoh yang SALAH: Paper tidak terkait / berbasis WEB Tidak ada unsur kecerdasan buatan Silakan diperbaiki (bagi yang merasa salah) dan dikumpulkan 2 minggu kemudian.
13 Tugas Sebelum UAS Mirip dengan tugas sebelumnya. Hanya paper mulai 2011 s.d 2013 Dikumpulkan minggu terakhir kuliah, sebelum minggu tenang. Kata kunci umum: Web Intelligent system Web, dapat diwakili (lebih fokus): personalization, recommender system, social network (sentiment analysis & opinion mining), web retrieval/web mining, search engine Intelligent dapat diwakilkan dengan: expert system, machine learning, fuzzy system, genetic algorithm, neural network, swarm intelligent, ant algorithm, bio-inspired.
14 Kecerdasan Buatan Pertemuan 07 Ketidakpastian dalam RBES... Husni S1 Teknik Informatika, STMIK AMIKOM, 2013
15 Outline Pendahuluan Teori Bayes Faktor-faktor Kepastian Rangkuman Latihan
16 Ketidakpastian (uncertainty) Esensi: Kurangnya informasi untuk merumuskan keputusan. Sumber ketidakpastian: Bahasa yang tidak tepat: kesalahan translasi dari bahasa pakar ke bentuk IF-THEN Data/Informasi/Pengetahuan: Tidak lengkap, salah, hilang, tidak dapat diandalkan. Terminologi tidak jelas/berubah-ubah Pengetahuan berubah-ubah Data tak tepat: satu istilah banyak makna, banyak istilah satu makna Kombinasi pandangan para pakar berbeda. Error-error.
17 Metode & Teori Terkait Ketidakpastian Penyelesaian masalah ketidakpastian dapat berbasis: Peluang (Statistika): objective probability, experimental probability & subjective probability Heuristik, mencakup Faktor Kepastian dan Logika Samar Teori yang banyak digunakan: Bayesian Probability Hartley Theory Shannon Theory Dempster-Shafer Theory Markov Models Fuzzy Theory
18 Probabilitas/Peluang Probabilitas adalah proporsi atau persentase terjadinya suatu kejadian. Diekspresikan dalam bilangan ril antara [0, 1]. Nilai 0 berarti ketidakmungkinan absolut, 1 menunjukkan kepastian absolut. P(A(t)) memberikan nilai dalam range [0, 1] untuk setiap kemungkinan terjadinya t dalam domain A, dimana jumlah semua nilai itu adalah 1. Contoh:
19 Sukses dan Gagal Suatu kejadian setidaknya punya 2 keluaran: sukses atau gagal. Peluang sukses: Peluang gagal: Diperoleh P(sukses) + P(gagal) = 1 Contoh: peluang munculnya nilai pada dadu (6 sisi) P(sukses(1) )= P(sukses(2))=... = P(sukses(6)) = 1/6 P(gagal(1) )= P(gagal(2))=... = P(gagal(6)) = 5/6 P(sukses(2)) + P(gagal(2)) = 1/6 + 5/6 = 1
20 Sifat Kejadian Independen dan mutually exclusive: kejadian-kejadian tidak dapat terjadi secara simultan (bersamaan). Misal: sisi dadu bernilai 5 tidak dapat muncul bersamaan dengan sisi dadu bernilai 3. Tidak independen = terikat: satu atau lebih kejadian mempengaruhi terjadinya kejadian lain. Teori peluang: 0 P(E) 1 P(E 1 E 2 )=P(E 1 ) + P(E 2 ) dimana E 1 dan E 1 mutually exclusive.
21 Jika Lebih Satu Kejadian Pada kejadian-kejadian Independen: P(A B) = P(A) P(B) P(A B) = P(A) +P(B) - P(A B) P(A B C) = P(A) + P(B) + P(C) - P(A B) - P(A C) - P(B C) + P(A B C) Pada kejadian tidak independen, muncul Peluang kondisional: Kejadian A terjadi jika kejadian B telah terjadi, P(A B). Jumlah kali A dan B dapat terjadi dinamakan joint /compound probability dari A dan B, ditulis P(A B)
22 Aturan Bayes Dengan deduksi diperoleh P(A B) = P(A B) P(B) Joint probability bersifat kumutatif, diperoleh P(A B) = P(B A) Dari P(B A) = P(B A) P(A), diperoleh: Rumus ini dinamakan Aturan Bayes (Bayesian Rule).
23 Aturan Bayes P(A B): peluang terjadinya kejadian A setelah (dikarenakan) terjadinya kejadian B; P(B A): Peluang terwujudnya kejadian B setelah berlakunya kejadian A; P(A): peluang berlakunya kejadian A; P(B): peluang berlakunya kejadian B. Aturan jumlah: P(A B) + P( A B) = 1
24 Generalisasi Aturan Bayes 1) Kejadian A bergantung pada himpunan kejadian B 1, B 2,, B n yang bersifat mutually exclusive. 2) Sehimpunan kejadian mutually exclusive A 1, A 2,, A n bergantung pada kejadian B.
25 Contoh Seorang pasien ada Bintik2 di wajah, dokter menduga ia terkena Cacar, dengan: P(Bintik2 Cacar) = 0,8 P(Cacar) = 0,4 P(Bintik2 Alergi) = 0,3 P(Alergi) = 0,7 P(Bintik2 Jerawatan) = 0,9 P(Jerawatan) = 0,5
26 Generalisasi Aturan Bayes 3) Himpunan kejadian mutually exclusive A 1, A 2,, A m bergantung pada sehimpunan kejadian B 1, B 2,, B n yang bersifat mutually exclusive. dapat pula ditulis:
27 Contoh Pakar membuat 3 hipotesis: A1, A2 dan A3 (mutually exclusive) bergantung pada 3 fakta independen B1, B2 dan B3. Pakar juga menyediakan peluang kondisional. Hipotesis dirangking: A1, A2, A3. A1 paling dipercaya (probabilitas tertinggi). Gunakan penalaran Bayes untuk memeriksa apakah ranking tersebut tetap pada akhir proses!
28 Contoh Pertama, hitung P(Ai B1), i= 1, 2, 3, dengan rumus:
29 Contoh Hitung P(Ai B2B1), i=1, 2, 3 dengan rumus: Diperoleh P(A1 B2B1) = 0.52, P(A2 B2B1) = 0.36, P(A3 B2B1) = Terakhir, hitung P(Ai B3B2B1), i=1, 2, 3, dengan rumus: Diperoleh hasil 0, 0.814, dan
30 Jaringan Bayes (Bayes Net) Tool untuk mengetahui/mengevaluasi hubungan antar variabel dalam jumlah besar. Elemen dari jaringan bayes: Struktur jaringan yang memperlihatkan independensi kondisional Distribusi peluang untuk setiap variabel P(Cloudy, Sprinkler_on, Rain, Grass_wet) = P(Cloudy) * P(Sprinkler_on Cloudy) * P(Rain Cloudy,Sprinkler_on) * P(Grass_wet Cloudy,Sprinkler_on,Rain) Dapat disederhanakan menjadi: P(Cloudy, Sprinkler_on, Rain, Grass_wet) = P(Cloudy) * P(Sprinkler_on Cloudy) * P(Rain Cloudy) * P(Grass_wet Sprinkler_on, Rain)
31 Contoh
32 Faktor Kepastian Teori Certainty factors (CF) merupakan alternatif bagi penalaran Bayes. Menggunakan pendekatan heuristik dalam penalaran dengan ketidakpastian. Pakar membobot keyakinan dari kesimpulannya dan langkah-langkah penalarannya dengan istilah tidak mungkin, hampir pasti, sangat mungkin, mungkin. Bukan peluang tetapi heuristik yang diturunkan dari pengalaman. Juga bukan nilai kebenaran. CF digunakan untuk mengekspresikan berapa akurat, sungguh dan handal suatu dugaan.
33 Faktor Kepastian CF dapat diterapkan terhadap: Fakta/premis; Rules (aturan, kesimpulan dari rule); Fakta dan rules. Saat diterapkan terhadap fakta (evidence, premis) : mewakili derajat kepercayaan (ketidakpercayaan) dari fakta. Saat diberlakukan terhadap rules: mewakili derajat konfirmasi(diskonfirmasi) suatu hipotesis. Arti CF bernilai -1 dan 1: CF mendekati 1, fakta semakin kuat bagi suatu hipotesis Cf mendekati -1, kepercayaan berlawanan hipotesis semakin kuat. CF sekitar 0, ada fakta yang mendukung dan juga melawan hipotesis.
34 KB pada ES dengan CF IF Evidence THEN Hypothesis {CF} Dimana CF mewakili kepercayaan terhadap hipotesis jika evidence/fakta terjadi.
35 Menghitung Faktor Kepastian Untuk suatu hipotesis H dan fakta/evidence E, ukuran kepercayaan MB(H,E) dan ketidakpercayaan MD(H,E) adalah Dimana: P(H) peluang (sebelumnya) hipotesis H bernilai True; P(H E) peluang hipotesis H bernilai True jika terdapat evidence E.
36 Faktor Kepastian (CF)? Dengan range nilai [-1, 1]
37 Faktor Kepastian Kombinasi Banyak rules merepresentasikan fakta/evidence E untuk kesimpulan sama. Contoh: IF E1 THEN H {CF=0.6} IF E2 THEN H {CF= -0.3}
38 Rule dengan ketidakpastian Evidence Contoh: Rule 1: IF A THEN B {CF=0.4} Rule 2: IF B THEN C {CF=0.3} Berapa kepastian A? B setelah A? Satu Premis Rule 1: IF A THEN B {CF=0.4} Rule 2: IF B THEN C {CF=0.3} CF(C) = CF(B) * CF(Rule 2) Jika CF dari A bernilai True adalah 0.9 maka: CF(B) = CF(A)*CF(Rule 1) = 0.9*0.4 = 0.36, dan CF(C) = CF(B)*CF(Rule 2) = 0.36*0.3 = 0.108
39 Rule dengan ketidakpastian Evidence Evidence Negatif. IF E THEN H {CF=0.6} Jika CF(E)=-0.2 (negatif), maka tidak ada yang dapat disimpulkan.
40 Rule dengan ketidakpastian Evidence Banyak Premis. Digabungkan dengan AND: IF E 1 AND E 2... AND E n THEN H {CF} Banyak Premis. Digabungkan dengan OR: IF E 1 OR E 2... OR E n THEN H {CF} CF(H) = max{cf(e 1 ), CF(E 2 ),, CF(E n )} * CF(Rule)
41 Contoh IF E 1 {CF = 0.8} AND E 2 {CF = 0.7} AND E 3 {CF = 0.5} AND E 4 {CF = 0.3} AND E 5 {CF = 0.9} THEN H {CF = 0.65} AND CF(H) = min{cf(e 1 ), CF(E 2 ), CF(E 3 ), CF(E 4 ), CF(E 5 )} * CF(Rule) = 0.3*0.65 =
42 Contoh IF E 1 {CF = 0.8} OR E 2 {CF = 0.7} OR E 3 {CF = 0.5} OR E 4 {CF = 0.3} OR E 5 {CF = 0.9} THEN H {CF = 0.65} OR CF(H) = max{cf(e 1 ), CF(E 2 ), CF(E 3 ), CF(E 4 ), CF(E 5 )} * CF(Rule) = 0.9*0.65 =
43 Contoh Sistem pakar untuk diagnosa flu (cold). Database terdiri dari fakta: demam pasien 37.4, batuk kurang 24 jam, bersin-bersin, sakit kepala dengan CF = 0.4 dan hidung tersumbat dengan CF = 0.5 Rule base mengandung: Rule 1 IF demam < 37.5 THEN Gejala Flue = true {CF = 0.5} Rule 2 IF demam > 37.5 THEN Gejala Flu = true {CF = 0.9} Rule 3 IF batuk lebih dari 24 jam THEN sakit tenggorokan = true {CF = 0.5}
44 Contoh Rule 4 IF batuk lebih dari 48 jam THEN sakit tenggorokan = true {CF = 1} Rule 5 IF Gejala flue AND Bersin-bersin THEN Terkena flu {CF = -0.2} Rule 6 IF sakit tenggorokan THEN Terkena flu {CF = 0.5} Rule 7 IF sakit kepala AND hidung tersumbat THEN Terkena flu {CF = 0.7}
45 Pohon Inferensi Terkena Flu x Gejala Flu Bersin bersin Sakit Tenggorokan Sakit Kepala Hidung Tersumbat Demam < 37.5 Demam > 37.5 Batuk > 24 jam Batuk > 48 jam
46 Proses Penalaran Pasien demam kurang dari 37.5, jadi CF dari fakta demam <37.5 adalah 1.0 dan CF dari fakta demam >37.5 adalah Pasien batuk kurang dari 24 jam. Fakta batuk > 24 jam dan 48 jam, memberikan CF = -1.0 CF dari gejala flu sebagai kesimpulan dari Rule 1 dihitung sebagai CF dari premis Rule 1 (bernilai 1.0) dikalikan dengan CF dari rule tersebut. Diperoleh: 1.0*0.5 = 0.5. Karena premis Rule 2 negatif, Rule 2 tidak berpengaruh terhadap CF dari fakta gejala flu. Karena premis dari Rule 3 dan Rule 4 bernilai negatif, CF sakit tenggorakan bernilai 0.
47 Proses Penalaran CF dari Terkena flue sebagai kesimpulan Rule 5 merupakan hasil AND dua premis. Jadi, minimum antara CF gejala flu (0.5) dan bersin (1.0) dikalikan dengan CF Rule 5; CF1 = min{0.5, 1.0}*(-0.2) = 0.5*(-0.2)= -0.1 Rule 7 juga mempunyai 2 premis. CF dari Rule 7menjadi CF2 = min{0.4, 0.5}*0.7 = ).4*0.7 = Berapa tingkat kepercayaan pasien terkena flu?
48 Pohon Inferensi & CF Terkait Terkena Flu Gejala Flu Bersin bersin Sakit Tenggorokan Sakit Kepala Hidung Tersumbat Demam < 37.5 Demam > 37.5 Batuk > 24 jam Batuk > 48 jam
49 Latihan Diketahui bahwa hari ini Hujan, Curah hujan hari ini rendah (dengan CF 0.8), Temperatur hari ini dingin (dengan CF 0.9). Pakar harus memprediksi apakah cuaca besok. Basis pengetahuan berisi rules berikut: Rule 1: IF Hari ini Hujan THEN Besok Hujan {CF=0.5} Rule 2: IF Hari ini Kering THEN Besok Kering {CF=0.5} Rule 3: IF Hari ini Hujan AND Curah Hujan Rendah THEN Besok Kering {CF=0.6}
50 Latihan Rule 4: IF Hari ini Hujan AND Curah Hujan Rendah AND Temperatur Dingin THEN Besok Kering {CF=0.7} Rule 5: IF Hari ini Kering AND Temperatur panas THEN Besok Hujan {CF=0.65} Rule 6: IF Hari ini Hujan AND Temperatur Panas AND Langit Mendung THEN Besok Hujan {CF=0.55}
Sebelumnya... Sistem Pakar berbasis Aturan (Rule-Based Expert System, RBES) Sistem Pakar Representasi Pengetahuan Penalaran
Sebelumnya... Sistem Pakar berbasis Aturan (Rule-Based Expert System, RBES) Sistem Pakar Representasi Pengetahuan Penalaran Forward chaining Backward chaining Resolusi Konflik Contoh RBES (1) Sistem pakar
Lebih terperinciPerbaikan UTS. Telah ada tugas, merangkum paper, tujuan: Apakah tugas tsb telah dikerjakan dengan baik? Contoh yang SALAH:
Perbaikan UTS Telah ada tugas, merangkum paper, tujuan: memperbaiki hasil UTS Apakah tugas tsb telah dikerjakan dengan baik? Contoh yang SALAH: Paper tidak terkait / berbasis WEB Tidak ada unsur kecerdasan
Lebih terperinciArtificial Intelegence EKA YUNIAR
Artificial Intelegence EKA YUNIAR Pokok Bahasan Ketidak Pastian Teorema Bayes Faktor Kepastian Ketidakpastian Dalam menghadapi suatu masalah, sering ditemukan jawaban yang tidak memiliki kepastian penuh.
Lebih terperinciKETIDAKPASTIAN MACAM PENALARAN
MACAM PENALARAN KETIDAKPASTIAN 1. Penalaran non monotonis suatu penalaran dimana fakta baru mengakibatkan ketidak konsistenan Ciri: 1. mengandung ketidakpastian 2. adanya perubahan pada pengetahuan 3.
Lebih terperinciKetidakpastian dan teorema bayes UTHIE
Ketidakpastian dan teorema bayes UTHIE Ketidakpastian Dalam menghadapi suatu masalah, sering ditemukan jawaban yang tidak memiliki kepastian penuh. Ketidakpastian ini bisa berupa probabilitas atau kebolehjadian
Lebih terperinci4/28/2016. Selasa, 26 April 2016 ^ K10
ب س م ا ه لل الر ح ن الر ح ي السالم عليكم ورحمة هللا وبركاته ب س م ا ه لل الر ح ن الر ح ي السالم عليكم ورحمة هللا وبركاته 1 KETIDAKPASTIAN o Ketidakpastian data - informasi atau data diperoleh tdk lengkap
Lebih terperinciINFERENSI DENGAN KETIDAKPASTIAN. PERTEMUAN 9 Diema Hernyka Satyareni, M.Kom
INFERENSI DENGAN KETIDAKPASTIAN PERTEMUAN 9 Diema Hernyka Satyareni, M.Kom Kompetensi Dasar Mahasiswa dapat menerapkan inferensi dengan ketidakpastian dalam Sistem Intelegensia Materi Bahasan Gambaran
Lebih terperinciTerakhir... Representasi Pengetahuan. Penalaran dengan Inferensi. Logika Proposisi Logika First Order
Terakhir... Representasi Pengetahuan Logika Proposisi Logika First Order Penalaran dengan Inferensi Kecerdasan Buatan Pertemuan 07 Sistem Pakar Berbasis Aturan (Rule-Based Expert System, RBES) Kelas 10-S1TI-03,
Lebih terperinciKETIDAKPASTIAN PROBABILITAS & TEOREMA BAYES
KECERDASAN BUATAN Kuliah ke : 8 PENALARAN KETIDAKPASTIAN PROBABILITAS & TEOREMA BAYES KETIDAKPASTIAN Dalam kenyataan sehari-hari banyak masalah didunia ini tidak dapat dimodelkan secara lengkap dan konsisten.
Lebih terperinciKETIDAKPASTIAN MATERI KULIAH Kecerdasan Buatan Kecerdasan
KETIDAKPASTIAN MATERI KULIAH Kecerdasan Buatan Pokok Bahasan Penalaran Non Monoton Probabilitas & Theorema Bayes Faktor Kepastian (Certainty Factor) Teori Dempster Shafer Penalaran Non Monoton Ingat kembali
Lebih terperinciKecerdasan Buatan. Pertemuan 10. (Review) Faktor Kepastian Sistem Penalaran Fuzzy Mamdani Pembelajaran Mesin ID3. Husni
Kecerdasan Buatan Pertemuan 10 (Review) Faktor Kepastian Sistem Penalaran Fuzzy Mamdani Pembelajaran Mesin ID3 Husni Lunix96@gmail.com http://komputasi.wordpress.com S1 Teknik Informatika, STMIK AMIKOM,
Lebih terperinciSebelumnya... Penalaran pada Sistem Pakar. Ketidakpastian dalam Sistem Pakar. Contoh forward chaining & backward chaining
Sebelumnya... Penalaran pada Sistem Pakar Contoh forward chaining & backward chaining Ketidakpastian dalam Sistem Pakar Teori Peluang Teori Bayes Jaringan Bayes Faktor Kepastian Kecerdasan Buatan Pertemuan
Lebih terperinciSebelumnya... Penalaran pada Sistem Pakar. Ketidakpastian dalam Sistem Pakar. Contoh forward chaining & backward chaining
Sebelumnya... Penalaran pada Sistem Pakar Contoh forward chaining & backward chaining Ketidakpastian dalam Sistem Pakar Teori Peluang Teori Bayes Jaringan Bayes Faktor Kepastian Kecerdasan Buatan Pertemuan
Lebih terperinciKETIDAKPASTIAN. 4.1 PROBABILITAS DAN TEOREMA BAYES Bentuk Th. Bayes:
KETIDAKPASTIAN 4 Pada bagian terdahulu kita telah mempelajari teknik penalaran dengan model yang sangat lengkap dan konsisten. Namun, pada kenyataannya, banyak masalah di dunia ini yang tidak dapat dimodelkan
Lebih terperinciKUANTIFIKASI PERTANYAAN UNTUK MENDAPATKAN CERTAINTY FACTOR PENGGUNA PADA APLIKASI SISTEM PAKAR UNTUK DIAGNOSIS PENYAKIT.
KUANTIFIKASI PERTANYAAN UNTUK MENDAPATKAN CERTAINTY FACTOR PENGGUNA PADA APLIKASI SISTEM PAKAR UNTUK DIAGNOSIS PENYAKIT Kusrini 1 1 STMIK AMIKOM Yogyakarta, Jl. Ringroad Utara Condong Catur Sleman Yogyakarta
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Sistem Pakar Sistem pakar merupakan salah satu cabang kecerdasan buatan yang mempelajari bagaimana mengadopsi cara seorang pakar berfikir dan bernalar dalam menyelesaikan suatu
Lebih terperinciCERTAINTY FACTOR UTHIE
CERTAINTY FACTOR UTHIE Pengetahuan di dalam sistem pakar yang direpresentasikan dengan menggunakan CF diekspresikan dalam seperangkat aturan yang memiliki format : IF evidence THEN hipotesa (CFrule =.)
Lebih terperinciSELESAIKAN DENGAN FORWARD DAN BACKWARD CHAINING
SELESAIKAN DENGAN FORWARD DAN BACKWARD CHAINING 1. Sistem pakar klasifikasi buah mempunyai 11 rule sebagai berikut : R1 : IF (Shape = long) AND (color = green or yellow) THEN fruit = banana R2 : IF (Shape
Lebih terperinciUncertainty (Ketidakpastian)
Uncertainty (Ketidakpastian) Pendahuluan Uncertainty atau ketidakpastian dalam AI disajikan dalam tiga langkah. 1. Seorang pakar menyediakan pengetahuan tidak pasti (inexact), yang berupa, term atau aturan
Lebih terperinciBAB I PENDAHULUAN. membahayakan nyawa seseorang, Ironisnya gejala gejala tersebut seringkali
1 BAB I PENDAHULUAN 1.1 Latar Belakang Gejala penyakit merupakan awal timbulnya sebuah penyakit yang dapat membahayakan nyawa seseorang, Ironisnya gejala gejala tersebut seringkali diabaikan sehingga membuat
Lebih terperinciprobabilitas Atau berlaku hubungan : P(E) + P(Ê) = 1
Teorema Bayes Teori Probabilitas probabilitas Misalkan sebuah peristiwa E dapat terjadi sebanyak n kali diantara N peristiwa yang saling eksklusif (saling asing/terjadinya peristiwa yang satu mencegah
Lebih terperinciSoal UAS Pengantar Kecerdasan Buatan. Kelas 3IA01, 03, 05, 07, 11, 13, 14, 17, 18, 19, 21, 22 dan 23
Soal UAS Pengantar Kecerdasan Buatan Kelas 3IA01, 03, 05, 07, 11, 13, 14, 17, 18, 19, 21, 22 dan 23 1. Pengertian kecerdasan menurut Winston dan Pendergast, 1994. Kecuali : a. Kemampuan belajar atau mengerti
Lebih terperinciUncertainty Management
Chapter 6 Tujuan Instruksional Khusus Mahasiswa memahami pendekatan Bayesian sebagai dasar interpretasi fakta yang memiliki derajad ketidakpastian tertentu. Mahasiswa mampu membuat interpretasi fakta dengan
Lebih terperinciPENALARAN DENGAN KETIDAKPASTIAN (UNCERTAINITY)
(UNCERTAINITY) KETIDAKPASTIAN (UNCERTAINTY) Ketidakpastian dapat dianggap sebagai suatu kekurangan informasi yang memadai untuk membuat suatu keputusan. Ketidakpastian merupakan suatu permasalahan karena
Lebih terperinciKUANTIFIKASI PERTANYAAN UNTUK MENDAPATKAN CERTAINTY FACTOR PENGGUNA PADA APLIKASI SISTEM PAKAR UNTUK DIAGNOSIS PENYAKIT
KUANTIFIKASI PERTANYAAN UNTUK MENDAPATKAN CERTAINTY FACTOR PENGGUNA PADA APLIKASI SISTEM PAKAR UNTUK DIAGNOSIS PENYAKIT Kusrini STMIK AMIKOM Yogyakarta, Jl. Ringroad Utara Condong Catur Sleman Yogyakarta
Lebih terperinciSISTEM PAKAR DIAGNOSA PENYAKIT KELAMIN PADA PRIA MENGGUNAKAN METODE FORWARD CHAINING DAN CERTAINTY FACTOR BERBASIS WEB
SISTEM PAKAR DIAGNOSA PENYAKIT KELAMIN PADA PRIA MENGGUNAKAN METODE FORWARD CHAINING DAN CERTAINTY FACTOR BERBASIS WEB Bima Dwi Kurnianto 1), Dawam Zainul Husna 2), Ziyan Basyarah Mansyur 3) 1), 2), 3)
Lebih terperinciSISTEM PAKAR DIAGNOSA PENYAKIT KANKER PAYUDARA MENGGUNAKAN CERTAINTY FACTOR
SISTEM PAKAR DIAGNOSA PENYAKIT KANKER PAYUDARA MENGGUNAKAN CERTAINTY FACTOR Aswita Andini Dea Fani Aneke Putri Jurusan Sistem Informasi STMIK PALCOMTECH Palembang Abstrak Sistem pakar untuk diagnosa penyakit
Lebih terperinciARTIFICIAL INTELLIGENCE
ARTIFICIAL INTELLIGENCE Team teaching: Sri Winiarti, Andri Pranolo, dan Anna Hendri SJ Andri Pranolo W : apranolo.tif.uad.ac.id M : 081392554050 E : andri.pranolo@tif.uad.ac.id Informatics Engineering,
Lebih terperinciPENALARAN INEXACT. KETIDAKPASTIAN dan KAIDAH
PENALARAN INEXACT KETIDAKPASTIAN dan KAIDAH - Salah satu karakteristik umum dari suatu informasi yang tersedia untuk seorang pakar adalah ketidaksempurnaan. Informasi yang tersedia bisa jadi tidak lengkap,
Lebih terperinciSISTEM PAKAR PENDIAGNOSA PENYAKIT ANAK MENGGUNAKAN CERTAINTY FACTOR (CF) ABSTRAK
SISTEM PAKAR PENDIAGNOSA PENYAKIT ANAK MENGGUNAKAN CERTAINTY FACTOR (CF) Luther A. Latumakulita 1) 1) Program Studi Matematika FMIPA Universitas Sam Ratulangi Jl. Kampus Unsrat Manado 95115 e-mail: alexalatu@gmail.com
Lebih terperinciJURNAL IMPLEMENTASI NET BELIEF CERTAINTY FACTOR PADA SELEKSI PENERIMA BERAS MISKIN
JURNAL IMPLEMENTASI NET BELIEF CERTAINTY FACTOR PADA SELEKSI PENERIMA BERAS MISKIN IMPLEMENTATION OF NET BELIEF CERTAINTY FACTOR ON SELECTION POOR RICE RECEIVER Oleh: VENNY WIDYANIK NPM : 12.1.03.02.0123
Lebih terperinciAplikasi untuk Diagnosis Penyakit pada Anak dan Balita Menggunakan Faktor Kepastian
Aplikasi untuk Diagnosis Penyakit pada Anak dan Balita Menggunakan Faktor Kepastian Helen Sastypratiwi 1, Fatma Agus Setyaningsih 2 Program Studi Teknik Informatika Universitas Tanjungpura Jl. Ahmad Yani,
Lebih terperinciPEMBERIAN ALASAN YANG TIDAK EKSAK
Ketidakpastian dan Kaidah - Salah satu karakteristik umum dari suatu informasi yang tersedia untuk seorang pakar adalah ketidaksempurnaan. Informasi yang tersedia bisa jadi tidak lengkap, tidak konsisten,
Lebih terperinciMODEL HEURISTIK. Capaian Pembelajaran. N. Tri Suswanto Saptadi
1 MODEL HEURISTIK N. Tri Suswanto Saptadi 2 Capaian Pembelajaran Mahasiswa dapat memahami dan mampu mengaplikasikan model Heuristik untuk menyelesaikan masalah dengan pencarian solusi terbaik. 1 3 Model
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Ketersediaan dokter ahli dan tenaga medis relatif masih kurang khususnya di daerah-daerah pelosok dan terpencil. Hal ini membuat masyarakat mengalami kesulitan dalam
Lebih terperinciM. Zidny Naf an Gasal 2016/2017
M. Zidny Naf an Gasal 2016/2017 Ketidakpastian Probabilitas Teorema Bayes Dalam kenyataan sehari-hari banyak masalah didunia ini tidak dapat dimodelkan secara lengkap dan konsisten. Suatu penalaran dimana
Lebih terperinciKetidakpastian & Kepastian (REASONING)
Ketidakpastian & Kepastian (REASONING) Ketidakpastian Suatu penalaran dimana adanya penambahan fakta baru mengakibatkan ketidak ketidak konsistenan disebut dengan Penalaran Non Monotonis. Ciri ciri dari
Lebih terperinciSISTEM PAKAR BERBASIS WEB UNTUK DIAGNOSA AWAL PENYAKIT THT
SISTEM PAKAR BERBASIS WEB UNTUK DIAGNOSA AWAL PENYAKIT THT Wahyu Prabowo 1), Muhammad Arief Widyananda 2), Bagus Santoso 3) Laboratorium Komputasi dan Sistem Cerdas, Jurusan Teknologi Informatika Fakultas
Lebih terperinciBAB I PENDAHULUAN. Perkembangan komputer sekarang ini sangat pesat dan salah. satu pemanfaatan komputer adalah dalam bidang kecerdasan buatan.
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan komputer sekarang ini sangat pesat dan salah satu pemanfaatan komputer adalah dalam bidang kecerdasan buatan. Di dalam bidang kecerdasan buatan, termasuk
Lebih terperinciSISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT SALURAN PENCERNAAN MENGGUNAKAN METODE DEMPSTER SHAFER
SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT SALURAN PENCERNAAN MENGGUNAKAN METODE DEMPSTER SHAFER 1 Yasidah Nur Istiqomah (07018047), 2 Abdul Fadlil (0510076701) 1 Program Studi Teknik Informatika 2 Program
Lebih terperinciSISTEM PAKAR DIAGNOSA PENYAKIT GIGI DAN MULUT MENGGUNAKAN METODE CERTAINTY FACTOR (Study Kasus di Puskesmas Campurdarat Tulungagung) SKRIPSI
SISTEM PAKAR DIAGNOSA PENYAKIT GIGI DAN MULUT MENGGUNAKAN METODE CERTAINTY FACTOR (Study Kasus di Puskesmas Campurdarat Tulungagung) SKRIPSI Diajukan Untuk Penulisan Skripsi Guna Memenuhi Salah Satu Syarat
Lebih terperinciM. Zidny Naf an Gasal 2016/2017
M. Zidny Naf an Gasal 2016/2017 Ketidakpastian Probabilitas Teorema Bayes Dalam kenyataan sehari-hari banyak masalah didunia ini tidak dapat dimodelkan secara lengkap dan konsisten. Premis -1 : Aljabar
Lebih terperinciIMPLEMENTASI METODE CERTAINTY FACTOR UNTUK PENENTUAN KEPASTIAN ATURAN PENYAKIT PADA ANAK
IMPLEMENTASI METODE CERTAINTY FACTOR UNTUK PENENTUAN KEPASTIAN ATURAN PENYAKIT PADA ANAK 1) Aldi Rifaldi, 2) Yusni Nyura 1), 2) Program Studi Teknik Informatika Politeknik Negeri Samarinda Samarinda Email:
Lebih terperinciSISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT ALOPESIA PADA MANUSIA DENGAN METODE CERTAINTY FACTOR
SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT ALOPESIA PADA MANUSIA DENGAN METODE CERTAINTY FACTOR Bebby Desy Natalina Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma Medan Jl. Sisimangaraja No.338
Lebih terperinciSISTEM PAKAR DIAGNOSIS KEJIWAAN MENGGUNAKAN METODE CERTAINTY FACTOR (STUDI KASUS RUMAH SAKIT JIWA DAERAH PROVINSI SUMATERA UTARA)
SISTEM PAKAR DIAGNOSIS KEJIWAAN MENGGUNAKAN METODE CERTAINTY FACTOR (STUDI KASUS RUMAH SAKIT JIWA DAERAH PROVINSI SUMATERA UTARA) Charles Jhony Mantho Sianturi STMIK Potensi Utama Jl. K.L. Yos Sudarso
Lebih terperinciAplikasi Sistem Pakar untuk Diagnosa Hama Jeruk dan Pengobatannya Menggunakan Metode Certainty Factor
Aplikasi Sistem Pakar untuk Diagnosa Hama Jeruk dan Pengobatannya Menggunakan Metode Certainty Factor Yudi 1, Laila 2 STMIK IBBI Jl. Sei Deli No. 18 Medan, Telp. 061-4567111, Fax. 061-4527548 e-mail: ynn_linc@yahoo.com
Lebih terperinciMETODE PENALARAN SISTEM PAKAR MENGGUNAKAN MODEL HIBRID FUZZY DEMPSTER SHAFER UNTUK IDENTIFIKASI HAMA DAN PENYAKIT TANAMAN JAGUNG
METODE PENALARAN SISTEM PAKAR MENGGUNAKAN MODEL HIBRID FUZZY DEMPSTER SHAFER UNTUK IDENTIFIKASI HAMA DAN PENYAKIT TANAMAN JAGUNG Nurmahaludin (1), Gunawan Rudi Cahyono (1) mahaludin@poliban.ac.id (1),
Lebih terperinciSISTEM PAKAR DETEKSI DINI PENYAKIT PADA BURUNG PUYUH DENGAN METODE FORWARD CHAINING
1 SISTEM PAKAR DETEKSI DINI PENYAKIT PADA BURUNG PUYUH DENGAN METODE FORWARD CHAINING Dimas Panji Widjanarko Jurusan Teknik Informatika FIK UDINUS, Jl. Nakula No. 5-11 Semarang-50131 dimazpanji193@gmail.com
Lebih terperinciL ctur er: M. Mift Mi ak ft ul Am A i m n i,,s. Kom om,. M. M. ng.
POLITEKNIK NEGERI SRIWIJAYA Jurusan Teknik Komputer Program Studi D3 Teknik Komputer Lecturer: M. Miftakul Amin, S. Kom., M. Eng. Intelegensi Buatan Sesi 1 Pengantar Intelegensi Buatan 2015 Intelegensi
Lebih terperinciSISTEM PAKAR DIAGNOSA PENYAKIT PARU-PARU DENGAN METODE FORWARD CHAINING
SISTEM PAKAR DIAGNOSA PENYAKIT PARU-PARU DENGAN METODE FORWARD CHAINING Anugerah Jaya Aziz Amrullah 1, Ekojono 2 Program Studi Teknik Informatika, Jurusan Teknologi Informasi, Politeknik Negeri Malang
Lebih terperinci2/22/2017 IDE DASAR PENGANTAR SISTEM PAKAR MODEL SISTEM PAKAR APLIKASI KECERDASAN BUATAN
APLIKASI KECERDASAN BUATAN PENGANTAR SISTEM PAKAR Shinta P. Sari Prodi. Informatika Fasilkom UIGM, 2017 Definisi : Sebuah program komputer yang dirancang untuk memodelkan kemampuan menyelesaikan masalah
Lebih terperinciAplikasi Metode ForwardChaining Untuk Mengidentifikasi Jenis Penyakit Pada Kucing Persia
Aplikasi Metode ForwardChaining Untuk Mengidentifikasi Jenis Penyakit Pada Kucing Persia Ferdio Grady Susanto 1, SusanaLimanto 1, dan Marcellinus Ferdinand Suciadi 1 1 Universitas Surabaya, Surabaya, Jawa
Lebih terperinciFeresi Daeli ( )
SISTEM PAKAR DALAM MENENTUKAN TINGKAT IQ ANAK YANG MENGALAMI RETERDASI MENTAL DENGAN METODE CERTAINTY FACTOR (STUDI KASUS: PENDIDIKAN SLB/B KARYA MURNI) Feresi Daeli (0911526) Mahasiswa Program Studi Teknik
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Di bidang kedokteran, saat ini sudah memanfaatkan teknologi komputer yaitu sistem pakar untuk meningkatkan pelayanan yang lebih baik pada masyarakat. Sistem
Lebih terperinciPEMANFATAN TEOREMA BAYES DALAM PENENTUAN PENYAKIT THT
PEMANFATAN TEOREMA BAYES DALAM PENENTUAN PENYAKIT THT Sri Winiarti Program Studi Teknik Informatika Fakultas Teknologi Industri Universitas Ahmad Dahlan Yogyakarta Email : daffal02@yahoo.com ABSTRAK Dalam
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA Faktor keterbatasan biaya menjadikan sebagian masyarakat tidak mampu membawa anggota keluarganya berobat ke dokter. Selain itu, banyak orang beranggapan bahwa penggunaan tanaman
Lebih terperinciSISTEM PAKAR MENDIAGNOSA PENYAKIT SEVERE ACUTE RESPIRATORY SYNDROME PADA MANUSIA DENGAN MENGGUNAKAN METODE CERTAINTY FACTOR
SISTEM PAKAR MENDIAGNOSA PENYAKIT SEVERE ACUTE RESPIRATORY SYNDROME PADA MANUSIA DENGAN MENGGUNAKAN METODE CERTAINTY FACTOR Putri Karina Ramayana Pasaribu 1, Lince Tomoria Sianturi 2, Pristiwanto 3 1 Mahasiswa
Lebih terperinciBAB II LANDASAN TEORI. Landasan teori atau kajian pustaka yang digunakan dalam membangun
BAB II LANDASAN TEORI Landasan teori atau kajian pustaka yang digunakan dalam membangun sistem informasi ini, terdapat teori-teori ilmu terkait yang digunakan untuk membantu menyelesaikan permasalahan
Lebih terperinciBAB I PENDAHULUAN. seiring dengan kebutuhan manusia yang semakin banyak dan kompleks. Hal ini yang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Perkembangan komputer dewasa ini mengalami perkembangan yang sangat pesat, seiring dengan kebutuhan manusia yang semakin banyak dan kompleks. Hal ini yang
Lebih terperinciSistem Pakar Untuk Mengetahui Gangguan Depresi Mayor Dengan Menggunakan Faktor Kepastian
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Sistem Pakar Untuk Mengetahui Gangguan Depresi Mayor Dengan Menggunakan Faktor Kepastian Aninda Astuti 1), Kusrini 2)
Lebih terperinciSISTEM PAKAR UNTUK MENENTUKAN JENIS KULIT WAJAH YANG SESUAI PADA BEDAK VIVA DENGAN MENGGUNAKA METODE CERTAINTY FACTOR
SISTEM PAKAR UNTUK MENENTUKAN JENIS KULIT WAJAH YANG SESUAI PADA BEDAK VIVA DENGAN MENGGUNAKA METODE CERTAINTY FACTOR Irmawati (12110911) Mahasiswa Program Studi Teknik Informatika STMIK Budi Darma Medan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang 1.2 Rumusan Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Diagnosis penyakit yang diderita oleh seorang penderita harus dapat dilakukan dengan tepat dan akurat, karena kesalahan diagnosis berakibat fatal dan bisa membahayakan
Lebih terperinciPengetahuan 2.Basis data 3.Mesin Inferensi 4.Antarmuka pemakai (user. (code base skill implemetation), menggunakan teknik-teknik tertentu dengan
Bab II TINJAUAN PUSTAKA 2.1 Pengertian Sistem Pakar Sistem pakar (expert system) adalah sistem yang berusaha mengapdosi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti
Lebih terperinciPenggunaan Certainty Factor dalam Sistem Pakar untuk Melakukan Diagnosis dan Memberikan Terapi Penyakit Epilepsi dan Keluarganya
Penggunaan Certainty Factor dalam Sistem Pakar untuk Melakukan Diagnosis dan Memberikan Terapi Penyakit Epilepsi dan Keluarganya Kusrini, S.Kom STMIK AMIKOM Yogyakarta, kusrini@amikom.ac.id Abstract Expert
Lebih terperinciJurnal Ilmiah d ComPutarE Volume 5 Edisi Juni 2015
SISTEM PAKAR MENDIAGNOSA PENYAKIT HIDUNG PADA RSUD SAWERIGADING PALOPO MENGGUNAKAN METODE CERTAINTY FACTOR (CF) Fajar Novriansyah Yasir Program Studi Teknik Informatika Universitas Cokroaminoto Palopo
Lebih terperinciBAB I PENDAHULUAN. yaitu dengan suatu media konsultasi yang bersifat online. mengemukakan pesoalan-persoalan yang terjadi kemudian pakar akan
BAB I PENDAHULUAN I.1 Latar Belakang Media konsultasi merupakan sebuah media atau sarana untuk berkomunikasi atau berinteraksi antara seorang pakar dengan pengguna. Dalam bidang medis kegiatan konsultasi
Lebih terperinciArtificial Intelligence. uthie 1
Artificial Intelligence uthie 1 Cabang-cabang AI 1. Logical AI Logika (matematis) yang merepresentasikan sekumpulan fakta dan tujuan ---> RUANG KEADAAN: Graph Tree uthie 2 Cabang-cabang AI 2. Search Pencarian
Lebih terperinciPENERAPAN METODE CERTAINTY FACTOR DALAM MENDETEKSI DINI PENYAKIT TROPIS PADA BALITA
Jurnal Informatika Mulawarman Vol. 8 No. 1 Edisi Februari 2013 20 PENERAPAN METODE CERTAINTY FACTOR DALAM MENDETEKSI DINI PENYAKIT TROPIS PADA BALITA Septya Maharani Program Studi Ilmu Komputer FMIPA Universitas
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA Pada bab ini akan membahas mengenai uraian singkat hasil-hasil penelitian atau analisis terdahulu yang ada hubungannya dengan permasalahan yang akan ditinjau dalam Tugas Akhir.
Lebih terperinciSISTEM PAKAR DIAGNOSA PENYAKIT DEMAM PADA BALITA MENGGUNAKAN METODE CERTAINTY FACTOR DAN FORWARD CHAINING BERBASIS VISUAL BASIC
SISTEM PAKAR DIAGNOSA PENYAKIT DEMAM PADA BALITA MENGGUNAKAN METODE CERTAINTY FACTOR DAN FORWARD CHAINING BERBASIS VISUAL BASIC Heny Pratiwi 1), Siti Qomariah 2), Azahary 3) 1), 2) Teknik Informatika STMIK
Lebih terperinciSebelumnya... Sistem Pakar berbasis Logika Fuzzy
Sebelumnya... Sistem Pakar berbasis Logika Fuzzy Kecerdasan Buatan Pertemuan 10 Pembelajaran Mesin (Machine Learning) Kelas 10-S1TI-03, 04, 05 Husni Lunix96@gmail.com http://komputasi.wordpress.com S1
Lebih terperinciSISTEM PAKAR DENGAN BEBERAPA KNOWLEDGE BASE MENGGUNAKAN PROBABILITAS BAYES DAN MESIN INFERENSI FORWARD CHAINING
SISTEM PAKAR DENGAN BEBERAPA KNOWLEDGE BASE MENGGUNAKAN PROBABILITAS BAYES DAN MESIN INFERENSI FORWARD CHAINING Agus Sasmito Aribowo 1), Siti Khomsah 2) 1) Teknik Informatika. UPN Veteran Yogyakarta Jl.
Lebih terperinciII. LANDASAN TEORI. Tabel 2. Persyaratan Kondisi Iklim dan Tanah yang Optimum untuk Kopi Robusta dan Arabika
II. LANDASAN TEORI 2.1 Kopi Kopi merupakan tanaman tropis yang dapat tumbuh di mana saja asalkan temperaturnya tidak terlalu dingin atau bukan merupakan daerah tandus (Aak, 1988). Kondisi lingkungan tumbuh
Lebih terperinciIMPLEMENTASI FUZZY EXPERT SYSTEM UNTUK ANALISA PENYAKIT DALAM PADA MANUSIA
IMPLEMENTASI FUZZY EXPERT SYSTEM UNTUK ANALISA PENYAKIT DALAM PADA MANUSIA Leo Willyanto Santoso, Rolly Intan, Feky Sugianto Universitas Kristen Petra Fakultas Teknologi Industri Jl. Siwalankerto 121-131
Lebih terperinciPENERAPAN METODE FORWARD CHAINING DAN CERTAINTY FACTOR UNTUK DIAGNOSA PENYAKIT MATA MANUSIA
PENERAPAN METODE FORWARD CHAINING DAN CERTAINTY FACTOR UNTUK DIAGNOSA PENYAKIT MATA MANUSIA Meilisa Roslina Simamora Jurusan Sistem Informasi STMIK PalComTech Palembang Abstrak Mata sebagai jendela dunia
Lebih terperinciSISTEM PAKAR DIAGNOSA PENYAKIT PADA ANAK USIA 0-36 BULAN MENGGUNAKAN METODE CERTAINTY FACTOR (CF) Kunto Nashiruddin Ahmad ( ) 2
SISTEM PAKAR DIAGNOSA PENYAKIT PADA ANAK USIA 0-36 BULAN MENGGUNAKAN METODE CERTAINTY FACTOR (CF) 1 Kunto Nashiruddin Ahmad (1110651059) 2 Daryanto, S.Kom, M.Kom 3 Heny Wahyu, S.Kom Program Studi Teknik
Lebih terperinciIMPLEMENTASI FUZZY EXPERT SYSTEM UNTUK ANALISA PENYAKIT DALAM PADA MANUSIA
IMPLEMENTASI FUZZY EXPERT SYSTEM UNTUK ANALISA PENYAKIT DALAM PADA MANUSIA Leo Willyanto Santoso, Rolly Intan, Feky Sugianto Universitas Kristen Petra, Fakultas Teknologi Industri Jl. Siwalankerto 121-131
Lebih terperinciSATUAN ACARA PERKULIAHAN MATA KULIAH : PENGANTAR KECERDASAN BUATAN (AK ) (**) FAKULTAS / JURUSAN : TEKNIK INFORMATIKA / S-1 SKS/SEMESTER : 2/8
SATUAN ACARA PERKULIAHAN MATA KULIAH : PENGANTAR KECERDASAN BUATAN (AK-045218) (**) FAKULTAS / JURUSAN : TEKNIK INFORMATIKA / S-1 SKS/SEMESTER : 2/8 Minggu Pokok Bahasan Ke Dan TIU 1 Pengenalan (KB) 2
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Mulut merupakan bagian dari organ pencernaan yang berfungsi sebagai jalan utama masuknya segala jenis asupan makanan. Mulut juga berfungsi sebagai komponen
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Sistem Pakar Kecerdasan buatan sebagaimana telah diketahui, saat ini merupakan suatu inovasi baru dalam bidang ilmu pengetahuan. Kecerdasan buatan atau Artificial Intelligence
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
1 1.1 Latar Belakang BAB I PENDAHULUAN Pertanian merupakan sektor penting dalam kehidupan manusia. Hal ini disebabkan karena sumber makanan manusia berasal dari pertanian. Setiap tahunnya, kebutuhan manusia
Lebih terperinciSistem Pakar untuk Mendiagnosa Penyakit yang Disebabkan Nyamuk dengan Metode Forward Chainning
Nur Nafi iyah dkk: Sistem Pakar untuk Mendiagnosa Penyakit 20 Sistem Pakar untuk Mendiagnosa Penyakit yang Disebabkan Nyamuk dengan Metode Forward Chainning Nur Nafi iyah dan Endang Setyati Program Pascasarjana
Lebih terperinciAnalisis Metode Certainty Factor pada Sistem Pakar Diagnosa Penyakit THT
P-ISSN 1411-0059 E-ISSN 2549-1571 Analisis Metode Certainty Factor pada Sistem Pakar Diagnosa Penyakit THT Khairina Eka Setyaputri 1, Abdul Fadlil 2, dan Sunardi 3 1,2 Program Studi Magister Teknik Informatika
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tinjauan Empiris Ada beberapa penelitian terkait yang pernah dilakukan mengenai Penerapan Metode Probabilitas Bayesian dan Nearest Neighbour dalam Sistem Pakar Berbasis Case
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1. Tinjauan Pustaka Sebagai tinjauan pustaka berikut ini beberapa contoh penelitian yang sudah dilakukan oleh para peneliti yang dapat digunakan sebagai acuan
Lebih terperinciPEMBERIAN ALASAN DI BAWAH KETIDAKPASTIAN
PEMBERIAN ALASAN DI BAWAH KETIDAKPASTIAN KETIDAKPASTIAN Disebut juga dg kekurangan informasi yg memadai untuk mengambil keputusan Probability klasik, bayesian prob, Hartley teory, Shannon teory, Dempster-Shafer
Lebih terperinciSISTEM PAKAR DIAGNOSA PENYAKIT ALERGI KULIT EKSIM PADA ORANG DEWASA MENGGUNAKAN METODE CERTAINTY FACTOR
SISTEM PAKAR DIAGNOSA PENYAKIT ALERGI KULIT EKSIM PADA ORANG DEWASA MENGGUNAKAN METODE CERTAINTY FACTOR Yoga Utomo 1, Permanan Ginting 2 Mahasiswa Program Studi Teknik Informatika STMIK Budi Darma Medan
Lebih terperinciSISTEM PAKAR DIAGNOSIS PENYAKIT YANG DISEBABKAN OLEH VIRUS INFLUENZA MENGGUNAKAN METODE FORWARD CHAINING DAN CERTAINTY FACTOR
SISTEM PAKAR DIAGNOSIS PENYAKIT YANG DISEBABKAN OLEH VIRUS INFLUENZA MENGGUNAKAN METODE FORWARD CHAINING DAN CERTAINTY FACTOR SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA Pada bab ini akan membahas mengenai uraian singkat hasil-hasil penelitian atau analisis terdahulu yang ada hubungannya dengan permasalahan yang akan ditinjau dalam tugas akhir.
Lebih terperinciUKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Autis merupakan gangguan perkembangan fungsi otak yang mencakup bidang sosial, komunikasi verbal (bahasa) dan non-verbal, imajinasi, fleksibilitas, lingkup minat, kognisi
Lebih terperinciSistem Pakar Diagnosa Penyakit Kulit dan Kelamin Dengan Metode Certainty Factor dan Fuzzy Logic
Sistem Pakar Diagnosa Penyakit Kulit dan Kelamin Dengan Metode Certainty Factor dan Fuzzy Logic I Putu Bayu Krisnawan I Ketut Gede Darma Putra I Putu Agung Bayupati Jurusan Teknologi Informasi Fakultas
Lebih terperinciDIAGNOSA PENYAKIT JANTUNG DENGAN METODE PENELUSURAN FORWARD CHAINNING-DEPTH FIRST SEARCH
DIAGNOSA PENYAKIT JANTUNG DENGAN METODE PENELUSURAN FORWARD CHAINNING-DEPTH FIRST SEARCH Putri Kurnia Handayani Jurusan Sistem Informasi Universitas Muria Kudus PO BOX 53 Gondangmanis Kudus e-mail : pu3_kurnia@yahoo.com
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN. pencarian-pencarian materi pendukung yang penulis lakukan melalui internet. Seorang
BAB 3 ANALISIS DAN PERANCANGAN 3.1 Analisis Permasalahan Dalam mengembangkan sistem pakar ini diperlukan pengetahuan dan informasi yang diperoleh dari beberapa sumber, yaitu dari seorang pakar, dan beberapa
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Pada saat ini, metode kecerdasan buatan (Artificial Intelligence) banyak digunakan dalam berbagai bidang seperti: bisnis, militer, pendidikan, psikologi, permainan
Lebih terperinciPPKF53106 KNOWLEDGE BASED SYSTEM
PROGRAM STUDI S1 TEKNIK INFO R MAT IK A FAKULTAS ILMU KOMPUTER (FILKOM) UNIVERSITAS PUTRA INDONE SIA YPTK PADANG RENCANA PEMBELAJARAN SEMESTER (RPS) PPKF53106 KNOWLEDGE BASED SYSTEM PROGRAM STUDI S1 TEKNIK
Lebih terperinciSISTEM PAKAR DIAGNOSIS PENYAKIT UMUM PADA MANUSIA MENGGUNAKAN PHP DAN MYSQL
SISTEM PAKAR DIAGNOSIS PENYAKIT UMUM PADA MANUSIA MENGGUNAKAN PHP DAN MYSQL Putri Nila Septina, Dwi Wahyu Prabowo Juruasan Sistem Informasi, Fakultas Ilmu Komputer Universitas Darwan Ali, Sampit Email:
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Sistem Pakar Sistem pakar (Expert System) adalah sistem yang berusaha mengadopsi pengetahuan manusia kedalam komputer, agar komputer dapat menyelesaikan masalah seperti yang dilakukan
Lebih terperinciEXPERT SYSTEM DENGAN BEBERAPA KNOWLEDGE UNTUK DIAGNOSA DINI PENYAKIT-PENYAKIT HEWAN TERNAK DAN UNGGAS
EXPERT SYSTEM DENGAN BEBERAPA KNOWLEDGE UNTUK DIAGNOSA DINI PENYAKIT-PENYAKIT HEWAN TERNAK DAN UNGGAS Agus Sasmito Aribowo Teknik Informatika. UPN Veteran Yogyakarta Jl. Babarsari no 2 Tambakbayan 55281
Lebih terperinciAPLIKASI SISTEM PAKAR DIAGNOSA PENYAKIT GINJAL DENGAN METODE DEMPSTER-SHAFER
APLIKASI SISTEM PAKAR DIAGNOSA PENYAKIT GINJAL DENGAN METODE DEMPSTER-SHAFER Aprilia Sulistyohati, Taufiq Hidayat Laboratorium Sistem Informasi dan Perangkat Lunak Jurusan Teknik Informatika Fakultas Teknologi
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Penerapan ilmu komputer semakin meluas ke berbagai bidang, salah satunya di bidang kesehatan. Hal ini mendorong para ahli untuk semakin mengembangkan komputer agar
Lebih terperinci