Pemodelan Fuzzy Sugeno dan Tsukamoto

Pemodelan Fuzzy Sugeno dan Tsukamoto

MODEL SUGENO

Dalam penentuan tingkat kepribadian berdasarkan pendidikan, sistem pendukung keputusan kabur digunakan untuk mengubah input yang berupa Pendidikan Nonformal (nonformal) dan Pendidikan Informal (informal) sehingga mendapatkan output berupa tingkat kepribadian. Dalam penentuan tingkat kepribadian digunakan metode Sugeno Orde-Nol, pada tahap pengujian input, pembentukan kombinasi aturan kabur harus disesuaikan dengan data output dengan menyertakan semua variabel dimana pada metode ini anteseden dipresentasikan dengan aturan dalam himpunan kabur, sedangkan konsekuen dipresentasikan dengan sebuah konstanta. 

Selanjutnya dilakukan dengan mencari derajat keanggotaan nilai tiap variabel dari salah satu data. Kemudian mencari α − predikat untuk setiap aturan kombinasi aturan kabur. Dengan menggunakan rata-rata terbobot (weighted average), hasil α − predikat yang tidak nol digunakan untuk mencari nilai rata-rata yang juga merupakan penegasan (defuzzifikasi). Berikut adalah beberapa tahap, yaitu: 

1. Pengaburan (fuzzifikasi) pengaburan yaitu proses dimana data inputan nilai yang bersifat tegas (crips input) kedalam input kabur. Pada penelitian ini digunakan beberapa variabel yang digunakan dalam penentuan Tingkat Kepribadian dengan parameter Pendidikan Nonformal (nonformal) dan Pendidikan Informal (informal). Pada Metode Sugeno, baik variabel input maupun variabel output dibagi menjadi satu atau lebih himpunan kabur. Dalam penentuan tingkat kepribadian dengan parameter Pendidikan Nonformal (nonformal) dan Pendidikan Informal (informal), variabel input dibagi menjadi dua yaitu variabel Pendidikan Nonformal dan Pendidikan Informal. Serta satu variabel output, yaitu variabel tingkat kepribadian. Variabel ini dibentuk berdasarkan klasifikasi Pendidikan Nonformal (nonformal) dan Pendidikan Informal (informal).

Tabel 1. Himpunan Kabur

Himpunan kabur beserta fungsi keanggotaan dari variabel Pendidikan Nonformal dan Pendidikan Informal direpresentasikan sebagai berikut: a. Himpunan Kabur Variabel Pendidikan Nonformal (nonformal) Pada variabel nonformal didefinisikan tiga himpunan kabur yaitu rendah, sedang, dan tinggi. Untuk merepresentasikan variabel nonformal digunakan bentuk kurva bahu kiri untuk himpunan kabur rendah, bentuk kurva segitiga untuk himpunan kabur sedang dan bentuk kurva bahu kanan untuk himpunan kabur tinggi. Gambar himpunan kabur untuk variabel nonformal ditunjukkan pada Gambar 1.

Gambar 1. Variable Nonformal

Dimana sumbu vertikal merupakan nilai input dari variabel nonformal, sedangkan sumbu horizontal merupakan tingkat keanggotaan dari nilai input.

b. Himpunan Kabur Variabel Pendidikan Informal (informal) Pada variabel informal didefinisikan tiga himpunan kabur yaitu rendah, sedang, dan tinggi. Untuk merepresentasikan variabel informal digunakan bentuk kurva bahu kiri untuk himpunan kabur rendah, bentuk kurva segitiga untuk himpunan kabur sedang, dan bentuk kurva bahu kanan untuk himpunan kabur tinggi. Gambar himpunan kabur untuk variabel informal ditunjukkan pada Gambar 2.

Gambar 2. Variabel Informal

Dimana sumbu horizontal merupakan nilai input dari variabel informal, sedangkan sumbu vertikal merupakan tingkat keanggotaan dari nilai input. Fungsi keanggotaan diperoleh dengan cara yang sama sebagaimana dalam variabel informal, sehingga menjadi sebagai berikut: 

2. Aplikasi Fungsi Implikasi Berdasarkan kategori dalam penentuan himpunan kabur di atas diperoleh 9 aturan implikasi sebagai berikut:

Tabel 2. Aturan Implikasi

Aturan Implikasi Dalam penentuan tingkat kepribadian ini menggunakan metode Sugeno Orde-Nol, yaitu: 

IF(x1 is A1 ) ∩ (x2 is A2 ) ∩ … ∩ (xN is AN)THEN z = k Keterangan

xn = Variabel input

AN = Kategori 

3. Komposisi Aturan Komposisi aturan menggunakan fungsi Max, yaitu solusi himpunan kabur diperoleh dengan cara mengambil nilai maksimum aturan. Jika semua proposisi telah dievaluasi, maka output akan berisi suatu himpunan kabur yang merefleksikan konstribusi dari tiap-tiap proposisi. Secara umum dapat dituliskan: 

Usf[xi ] = max(Usf[xi ],Ukf[xi ]) 

4. Penegasan (defuzzifikasi) Penegasan yaitu mengkonversi himpunan kabur keluaran ke bentuk bilangan tegas (crips). Dalam metode Sugeno menggunakan metode perhitungan rata-rata terbobot (weight average)

Masing-masing siswa dengan nilai pendidikan nonformal sebesar 12 dan nilai pendidikan informal sebesar 19 ingin mengetahui tingkat kepribadiannya Langkah 

1. Menentukan Himpunan Kabur 

Untuk variabel nonformal didefinisikan pada tiga himpuanan kabur yaitu: RENDAH, SEDANG, dan TINGGI. Setiap himpuanan kabur memiliki interval keanggotaan, yakni seperti terlihat pada g ambar berikut adalah gambar tingkat keanggotaan pada variabel nonformal sebesar 12:

Gambar 3. Variabel Nonformal 

Pendidikan nonformal sebesar 12 termasuk ke dalam himpunan kabur RENDAH dan SEDANG dengan tingkat keanggotaan sesuai fungsi, sehingga diperoleh sebagai berikut:

Sehingga diperoleh

Untuk informal didefinisikan pada tiga himpuanan kabur yaitu: RENDAH, SEDANG, dan TINGGI. Setiap himpuanan kabur memiliki interval keanggotaan, yakni seperti terlihat pada Gambar Berikut adalah gambar tingkat keanggotaan pada variabel informal sebesar 19:

Gambar 4. Variabel Informal

Pendidikan informal sebesar 19 termasuk ke dalam himpunan kabur SEDANG dan TINGGI dengan tingkat keanggotaan sesuai fungsi keanggotaan, sehingga diperoleh sebagai berikut:

Sehingga diperoleh

Langkah 2. Aplikasi Fungsi Implikasi 

Fungsi implikasi yang digunakan dalam proses ini adalah fungsi MIN (minimum), yaitu dengan mengambil tingkat keanggotaan yang minimum dari variabel input sebagai outputnya. Dari dua data kabur input tersebut variabel nonformal: RENDAH (0,375) dan SEDANG (0,625) dan variabel informal: SEDANG (0,375) dan TINGGI (0,625). Berdasarkan 9 𝛼 − 𝑝𝑟𝑒𝑑𝑖𝑘𝑎𝑡 yang disebutkan pada tabel fungsi implikasi, maka diperoleh hanya 2 𝛼 − 𝑝𝑟𝑒𝑑𝑖𝑘𝑎𝑡 yang tidak nol, yaitu: 

[R2] JIKA nonformal adalah RENDAH dan informal adalah SEDANG, MAKA tingkat kepribadiannya adalah SEDANG. 

𝛼2 = 𝜇𝑛𝑜𝑛𝑓𝑜𝑟𝑚𝑎𝑙_𝑅𝐸𝑁𝐷𝐴𝐻 ∩ 𝜇𝑖𝑛𝑓𝑜𝑟𝑚𝑎𝑙_𝑆𝐸𝐷𝐴𝑁𝐺 
      = 𝑚𝑖𝑛(𝜇𝑛𝑜𝑛𝑓𝑜𝑟𝑚𝑎𝑙 _𝑅𝐸𝑁𝐷𝐴𝐻 ∩ 𝜇𝑖𝑛𝑓𝑜𝑟𝑚𝑎𝑙_𝑆𝐸𝐷𝐴𝑁𝐺) 
      = 𝑚𝑖𝑛(0,375, 0,375) = 0,375 [R3] 

JIKA nonformal adalah RENDAH dan informal adalah TINGGI, MAKA tingkat kepribadiannya adalah RENDAH. 

𝛼3 = 𝜇𝑛𝑜𝑛𝑓𝑜𝑟𝑚𝑎𝑙_𝑅𝐸𝑁𝐷𝐴𝐻 ∩ 𝜇𝑖𝑛𝑓𝑜𝑟𝑚𝑎𝑙_𝑇𝐼𝑁𝐺𝐺𝐼 
      = 𝑚𝑖𝑛(𝜇𝑛𝑜𝑛𝑓𝑜𝑟𝑚𝑎𝑙 _𝑅𝐸𝑁𝐷𝐴𝐻 ∩ 𝜇𝑖𝑛𝑓𝑜𝑟𝑚𝑎𝑙_𝑇𝐼𝑁𝐺𝐺𝐼) 
      = 𝑚𝑖𝑛(0,375, 0,625) = 0,375 [R5] 

JIKA nonformal adalah SEDANG dan informal adalah SEDANG, MAKA tingkat kepribadiannya adalah TINGGI. 

𝛼5 = 𝜇𝑛𝑜𝑛𝑓𝑜𝑟𝑚𝑎𝑙_𝑆𝐸𝐷𝐴𝑁𝐺 ∩ 𝜇𝑖𝑛𝑓𝑜𝑟𝑚𝑎𝑙_𝑆𝐸𝐷𝐴𝑁𝐺 
      = 𝑚𝑖𝑛(𝜇𝑛𝑜𝑛𝑓𝑜𝑟𝑚𝑎𝑙 _𝑆𝐸𝐷𝐴𝑁𝐺 ∩ 𝜇𝑖𝑛𝑓𝑜𝑟𝑚𝑎𝑙_𝑆𝐸𝐷𝐴𝑁𝐺) 
      = 𝑚𝑖𝑛(0,625, 0,375) = 0,625 [R6] 

JIKA nonformal adalah SEDANG dan informal adalah TINGGI, MAKA tingkat kepribadiannya adalah SEDANG. 

𝛼6 = 𝜇𝑛𝑜𝑛𝑓𝑜𝑟𝑚𝑎𝑙_𝑆𝐸𝐷𝐴𝑁𝐺 ∩ 𝜇𝑖𝑛𝑓𝑜𝑟𝑚𝑎𝑙_𝑇𝐼𝑁𝐺𝐺𝐼 
      = 𝑚𝑖𝑛(𝜇𝑛𝑜𝑛𝑓𝑜𝑟𝑚𝑎𝑙 _𝑆𝐸𝐷𝐴𝑁𝐺 ∩ 𝜇𝑖𝑛𝑓𝑜𝑟𝑚𝑎𝑙_𝑇𝐼𝑁𝐺𝐺𝐼) 
      = 𝑚𝑖𝑛(0,625, 0,625) = 0,625 

Langkah 3. Komposisi Aturan 

Komposisi aturan menggunakan fungsi Max, komposisi aturan merupakan kesimpulan secara keseluruhan dengan mengambil tingkat keanggotaan maksimum dari tiap konsekuen aplikasi fungsi implikasi dan menggabungkan dari semua kesimpulan masing-masing aturan, sehingga diperoleh daerah solusi kabur sebagai berikut: 

𝑈𝑠𝑓[𝑥𝑖 ] = 𝑚𝑎𝑥(𝑈𝑠𝑓[𝑥𝑖 ],𝑈𝑘𝑓[𝑥𝑖 ]) 

Keterangan: 
𝑈𝑠𝑓[𝑥𝑖 ] = nilai keanggotan solusi kabur sampai aturan ke-i 
𝑈𝑘𝑓[𝑥𝑖 ] = nilai keanggotan solusi kabur sampai aturan ke-i 
Sehingga diperoleh tingkat kepribadian: 
1. RENDAH = 𝑚𝑎𝑥(0,375) = 0,375 
2. SEDANG = 𝑚𝑎𝑥(0,375, 0,625) = 0,625 
3. TINGGI = 𝑚𝑎𝑥(0,625) = 0,625 Langkah 

4. Penegasan (defuzzifikasi) Pada metode Sugeno penegasan menggunakan perhitungan rata-rata terbobot (Weight-Average) : 

Jadi dengan menggunakan Metode Sugeno, masing-masing Siswa dengan pendidikan nonformal sebesar 12 dan pendidikan informal sebesar 19 mempunyai nilai kepribadian 20,7 dengan variabel linguistiknya adalah SEDANG.

MODEL TSUKAMOTO

Teori:

Metode Tsukamoto merupakan perluasan dari penalaran monoton. Pada metode Tsukamoto, Setiap konsekuen pada aturan yang berbentuk IF-THEN harus dipresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton. Sebagai hasilnya, output hasil inferensi dari tiap-tiap aturan diberikan secara tegas (crisp) berdasarkan α-predikat (fire strength). Hasil akhirnya diperoleh dengan menggunakan rata-rata terbobot.

Kasus:

Suatu perusahaan makanan kaleng akan memproduksi makanan jenis ABC. Dari data 1 bulan terakhir, permintaan terbesar mencapai 5000 kemasan/hari, dan permintaan terkecil mencapai 1000 kemasan/hari. Persediaan barang digudang terbanyak mencapai 600 kemasan/hari, dan terkecil pernah mencapai 100 kemasan/hari. Dengan segala keterbatasannya perusahaan sampai saat ini baru mampu memproduksi brang maksimum 7000 kemasan/hari, untuk efisiensi mesin dan SDm tiap hari diharapkan perusahaan memproduksi paling tidak 2000 kemasan. Berapa kemasan makanan jenis ABC yang harus diprosuksi, jika jumlah permintaan sebanyak 4000 kemasan, dan persediaan di gudang masih 300 kemasan, apabilla proses produksi perusahaan tersebut menggunakan 4 aturan fuzzy sebagai berikut:

[R1]   IF permintaan TURUN And Persediaan BANYAK, THEN Produksi Barang BERKURANG;
[R2]   IF permintaan TURUN And Persediaan SEDIKIT, THEN Produksi Barang BERKURANG;
[R3]   IF permintaan NAIK And Persediaan BANYAK, THEN Produksi Barang BERTAMBAH;
[R4]   IF permintaan TURUN And Persediaan SEDIKIT, THEN Produksi Barang BERTAMBAH;

Solusi:

Ada 3 variable fuzzy yang akan dimodelkan, yaitu:

1. Permintaan terdiri atas 2 himpunan fuzzy, yaitu NAIK dan TURUN
   Pemintaan (kemasan/hari)

µPmtTURUN [x] = {(1, x ≤ 1000), ((5000-x)/4000, 1000 ≤ x ≤ 5000), (0, x ≥ 5000)}

µPmtNAIK [x]     = {(0, x ≤ 1000), ((x -1000)/4000, 1000 ≤ x ≤ 5000), (1, x ≥ 5000)}

Nilai Keanggotaan :
µPmtTURUN (4000)  = (5000-4000)/4000 = 0.25
µPmtTURUN (4000)  = (4000-1000)/4000 = 0.75

2. Persediaan,  terdiri atas 2 himpunan fuzzy, yaitu SEDIKIT dan BANYAK
   
   Persediaan (kemasan/hari)

Nilai keanggotaan:

µPmtSEDIKIT[y]      = {(1, y ≤ 1000), ((600 – y)/500, 100 ≤ y ≤ 600), (0, y ≥ 600)}

µPmtBANYAK [y]     = {(0, y ≤ 1000), ((y-1000)/500, 100≤ y ≤ 600), (1, y ≥ 600)}

Nilai Keanggotaan :
µPmtSEDIKIT(300)  = (600-300)/500 = 0.26
µPmtBANYAK (300)  = (300-100)/500 = 0.4

3. Produksi barang, terdiri atas 2 himpunan fuzzy, yaitu: BERKURANG dan BERTAMBAH
   
   Produksi barang (kemasan/hari)

Nilai keanggotaan:

µPmtBERKURANG[z]      = {(1, z ≤ 2000), ((7000 – z)/5000, 2000 ≤ z≤ 7000), (0, z ≥ 7000)}

µPmtBERTAMBAH[z]      = {(0, z ≤ 2000), ((z-2000)/5000, 2000≤ z ≤ 7000), (1, z ≥ 7000)}

Sekarang kita cari nilai z untuk setiap aturan dengan menggunakan fungsi MIN pada aplikasi fungsi implikasinya:

[R1]   IF permintaan TURUN And Persediaan BANYAK THEN Produksi Barang BERKURANG;

α-predikat1 = µPmtTURUN | µPmtBAYAK

α-predikat1 = min ( µPmtTURUN , µPmtBANYAK )

α-predikat1  = min (0.25; 0,4)
α-predikat1  = 0.25

lihat himpunan Produksi Barang Berkurang
(7000-z)/5000=0.25 -> z1= 5750

[R2]   IF permintaan TURUN And Persediaan SEDIKIT THEN Produksi Barang BERKURANG;

α-predikat2 = µPmtTURUN  | µPmtSEDIKIT

α-predikat2 = min ( µPmtTURUN , µPmtSEDIKIT)

α-predikat2 = min (0.25; 0,6)
α-predikat2 = 0.25

lihat himpunan Produksi Barang Berkurang
(7000-z)/5000=0.25 -> z2= 5750

[R3]   IF permintaan NAIK And Persediaan BANYAK THEN Produksi Barang BERTAMBAH;

α-predikat3 = µPmtNAIK | µPmtBANYAK

α-predikat3 = min ( µPmtNAIK , µPmtBANYAK)

α-predikat3 = min (0.75; 0,4)
α-predikat3 = 0.4

lihat himpunan Produksi Barang Bertambah
(z-2000)/5000=0.4 -> z3= 4000

[R4]   IF permintaan TURUN And Persediaan SEDIKIT THEN Produksi Barang BERTAMBAH;

α-predikat4  = µPmtTURUN | µPmtSEDIKIT

α-predikat4  = min ( µPmtTURUN  , µPmtSEDIKIT )

α-predikat4  = min (0.75; 0,6)
α-predikat4  = 0.6

lihat himpunan Produksi Barang Bertambah
(z-2000)/5000=0.6 -> z4= 5000

Nilai Z dapat dicari dengan cara berikut:

z= αpred1 * z1 + αpred2 * z2 + αpred3 * z3 + αpred4 * z4/ (αpred1+ αpred2+ αpred3+ αpred4)

z= 0.25*5750 + 0.25*5750 + 0.4 *4000 + 0.6 * 5000 / (0.25+0.25+0.4+0.6) = 4983

Maka jumlah makanan kaleng jenis ABC yang harus diproduksi sebanyak 4983 kemasan.

1. Langkah Pertama Input Permintaan

2. Langkah Kedua Input Persediaan

3. Langkah Ketiga Input Produksi

4. Langkah Keempat Input Permintaan Real dan Persediaan Real

Result:
Maka makanan jenis ABC yang harus diprosuksi sebanyak

Sistem Pakar Diagnosis Penyakit Gigi Menggunakan Kepastian Metode Faktor

Perkembangan teknologi berkembang pesat dengan meningkatnya kebutuhan manusia khususnya dalam teknologi seluler dimana teknologi yang sering digunakan adalah android. Keberadaan android ini memudahkan pengguna dalam mengakses informasi. Android ini bisa digunakan untuk kebutuhan sehat, misalnya mendeteksi penyakit gigi. Salah satu cabang ilmu komputer yang dapat membantu masyarakat dalam mendeteksi penyakit gigi adalah sistem pakar. Dalam penelitian ini, membuat sistem pakar untuk diagnosis penyakit gigi dengan menggunakan metode Certainty Factor. Dental aplikasi diagnosis penyakit dapat mendiagnosis pasien berdasarkan cengkeraman pasien penyakit gigi sehingga bisa didapat penyakit kemungkinan dari pasien itu sendiri. Aplikasi ini aplikasi sistem pakar yang beroperasi pada platform android. Selanjutnya dalam akurasi pengukuran tes sistem yang dilakukan oleh 20 pasien, ada 19 kasus sesuai dan 1 kasing yang tidak pas. Jadi, dari pengujian sistem dilakukan oleh 20 pasien menghasilkan tingkat akurasi 95%.

1. Latar Belakang

         Perkembangan waktu yang semakin maju seperti saat ini membuat kebutuhan manusia menjadi banyak dan semakin didukung dengan semakin banyak teknologi informasi terutama dalam teknologi mobile dimana teknologi itu yang sering digunakan adalah android. Hampir semua jenis smartphone android memiliki yang terjangkau harga yang memungkinkan masyarakat untuk memiliki smartphone ini. Sistem operasi ini bisadigunakan dalam proses implementasi aplikasi sistem pakar untuk android adalah platform terbuka bagi pengembang untuk membuat aplikasi mereka sendiri yang dapat digunakan oleh berbagai perangkat seluler. 

         Sebagai bagian penting dari sistem pencernaan, gigi digunakan untuk mengunyah makanan sebelum pergi turun ke sistem pencernaan jadi jika gigi mendapat kesulitan dalam mengunyah makanan, pencernaan proses akan mendapat masalah juga. Gigi sangat rentan terhadap kuman, meski giginya kecil Terkadang mendapat perhatian kurang berpengaruh terhadap kesehatan manusia karena masalah gigi dapat menyebabkan penyakit lain yang memiliki tingkat bahaya lebih tinggi. 

         Sistem pakar adalah sistem berbasis komputer yang menggunakan pengetahuan, fakta dan alasan teknik dalam memecahkan masalah biasanya dapat diselesaikan oleh seorang ahli khususnya bidang. Ini adalah bagian dari perangkat lunak khusus tingkat tinggi atau pemrograman tingkat tinggi bahasa, yang sedang mencoba untuk menduplikasi fungsi dari seorang ahli pada khususnya bidang keahlian. Tujuan dari sistem pakar bukan untuk menggantikan peran manusia, tetapi untuk mempresentasikan pengetahuan manusia dalam bentuk suatu sistem, sehingga dapat digunakan oleh banyak orang. Sistem pakar dibuat dalam bidang pengetahuan untuk keahlian tertentu mendekati kemampuan manusia dalam satu bidang spesifik. 

         Masalah yang ditangani seorang ahli tidak hanya masalah yang mengandalkan algoritma saja namun terkadang juga masalah yang sulit untuk dipahami. Karena itu ahlinya algoritma berbasis sistem yang dibangun belum dibangun berdasarkan pengetahuan dan aturan. Metode statistik didasarkan pada asumsi bahwa ketidakpastian adalah probabilitas dari suatu insiden / fakta benar atau salah. Dalam kepastian teori, serta logika fuzzy, ketidakpastian diwakili dengan tingkat kepercayaan. Ada dua langkah dalam penggunaannya dari setiap metode non-probabilitas. Pertama, keharusan untuk dapat mengekspresikan derajat kepercayaan. Kedua, perlunya memanipulasi (menggabungkan) tingkat kepercayaan saat menggunakan sistem berbasis pengetahuan. Teori kepastian yang mendasari penggunaan Certainty Factor (CF). CF mengungkapkan kepercayaan diri pada insiden (atau fakta atau hipotesis) berdasarkan kejadian (atau berdasarkan penilaian ahli).

2. Metode Penyelesaian

         Konsep faktor kepastian diusulkan untuk mengakomodasi ketidakpastian suatu ahli yang sering berpikir untuk menganalisis informasi dengan frasa seperti "Mungkin", "Sepertinya", "hampir pasti" dan seterusnya. Metode faktor kepastian seleksi adalah cocok untuk sistem pakar dalam penelitian ini, karena pada dasarnya metode CF diasumsikan sebagai tingkat kepercayaan ahli untuk data yang digunakan. Certainty Factor memperkenalkan konsep kepercayaan dan ketidakpercayaan. Metode ini cocok untuk mendiagnosis sesuatu tidak pasti. Metode certainty factor hanya dapat memproses dua bobot dalam satu perhitungan. Untuk bobot lebih dari 2 banyak, untuk melakukan perhitungan agar terhindar dari masalah saat bobot dihitung secara acak berarti bahwa tidak ada aturan untuk menggabungkan berat karena kombinasi dari hasil seperti itu akan tetap sama. Penelitian sebelumnya menjelaskan hasil pencarian sistem pakar menunjukkan bahwa gejala apa pun yang dipilih oleh pengguna akan menjadi mencari semua jenis penyakit yang memenuhi gejala. Jika ditemukan kongruensi, antara gejala-gejala penyakit, maka sistem akan menghitung nilai CF kombinasi sesuai dengan aturan yang ada dengan basis pengetahuan dan nilai CF dimasukkan oleh pengguna.

Certainty Factor (CF) menunjukkan ukuran kepastian terhadap fakta atau aturan. Umum rumus metode faktor kepastian sebagai berikut:

CF[h,e] = MB[h,e] – MD[h,e] 

CF [h, e] = faktor kepastian

MB [h, e] = ukuran tingkat keyakinan / kepastian hipotesis h, jika diberikan / sedang bukti yang dipengaruhi e (antara 0 dan 1)

MD [h, e] = ukuran tingkat ketidakpercayaan / ketidakpastian hipotesis h, jika diberikan bukti yang dipengaruhi e (antara 0 dan 1)

Ada tiga hal yang mungkin terjadi: 

1) Beberapa bukti digabungkan untuk menentukan CF dari suatu hipotesis Jika e1 dan e2 adalah observasi, maka:

2) CF dihitung dari kombinasi beberapa hipotesis 

Jika h1 dan h2 adalah hipotesis, maka: 

MB [h1 ∧ h2, e] = min (MB [h1, e], MB [h2, e]) MB [h1 ˅ h2, e] = maks (MB [h1, e], MB [h2, e]) MD [h1 ∧ h2, e] = min (MD [h1, e], MD [h2, e]) MD [h1 ˅ h2, e] = maks (MD [h1, e], MD [h2, e]) 

3) Beberapa aturan saling terkait, ketidakpastian aturan menjadi masukan bagi aturan lain, lalu:

MB [h, s] = MB ’[h, s] * maks (0, CF [s, e]) 

MB '[h, s] = ukuran kepercayaan h berdasarkan kepercayaan penuh pada validitas s

3. Hasil dan Diskusi

         Berdasarkan wawancara dengan seorang ahli tentang gejala yang mengarah pada munculnya penyakit gigi dan diperoleh 28 gejala penyakit gigi dan 10 penyakit gigi. Basis pengetahuan dimasukkan ke dalam program komputer sehingga komputer bertindak sebagai ahli mampu mengidentifikasi gejala penyakit gigi. Berikut adalah tabel data gejala yang dapat dilihat pada Tabel 1 dan tabel data penyakit ditunjukkan pada Tabel 2.

Table 1. Data Symptoms

Table 2. Data Disease 

         Selanjutnya akan dilakukan aturan dasar. Basis aturan adalah aturan yang dibuat untuk menghubungkan gejala dengan penyakit. Aturan dasar dapat ditulis ke struktur IF (id_symacteria) LALU (id_disease) CF (x). Berikut tabel dasar aturan yang diperoleh dari wawancara dengan dokter gigi dengan nilai faktor kepastian pada Tabel 3.

Table 3. Tabel Aturan Dasar

         Tahap pengujian aplikasi dilakukan untuk menguji aplikasi diagnosa dengan hasil yang telah dihitung secara manual menggunakan faktor kepastian. Jika seorang pasien memilih sulit untuk mengunyah gejala, demam, pembengkakan rahang, Pembengkakan Biji Lymph dan sakit gigi atau berdenyut dalam Tabel 4.

Tabel 4. Input pengguna berdasarkan gejala yang dialami dan nilai CF

Sehingga perhitungan manual sebagai berikut:

a. Nilai CF untuk Abses Periodontal

b. Nilai CF untuk Abses Periapical 

c. CF vslue of Bruxism

d. Nilai CF Gula Purulent

         Dari perhitungan manual di atas hasil diperoleh nilai Faktor Kepastian untuk masing-masing penyakit: Abses Periodontal (0,363), Abses Periapical (1), Bruxism (0,239), Gusi Purulent (0,272). Dapat disimpulkan bahwa pasien menderita penyakit abses periapical dengan persentase 1 x 100% = 100%. Saat dihitung menggunakan aplikasi itu akan menghasilkan seperti yang ditunjukkan pada Gambar 1.

Gambar 1. Aplikasi Hasil Perhitungan

         Diagnosis sistem pakar uji penyakit gigi dilakukan dengan membandingkan keakuratan hasil akhir dari kemungkinan jenis penyakit gigi yang ditimbulkan oleh sistem kepada mereka diproduksi oleh para ahli. Eksperimen sistem pakar mendiagnosis penyakit gigi dilakukan dengan membandingkan Hasilnya akurat jenis penyakit gigi yang diproduksi oleh sistem dan pakar. Berikut ini adalah tabel hasil pengujian keakuratan sistem yang ditunjukkan pada Tabel 5.

Tabel 5. Hasil Pengujian Sistem Akurasi

         Pengujian dilakukan terhadap 20 responden. Dalam semua kasus ada 19 kasus sesuai dan 1 kasing yang tidak pas. Untuk menentukan tingkat akurasi sistem, maka perhitungannya adalah sebagai berikut:

Jadi, dapat disimpulkan bahwa tingkat akurasi sistem dengan seorang pakar sebesar 95%.

4. Kesimpulan

         Pengembangan sistem pakar diagnosis penyakit gigi dilakukan melalui beberapa tahapan perancangan sistem dengan tujuan untuk memberikan gambaran umum tentang gigi penyakit. Setiap gejala dinilai bobot untuk menghitung nilai CF dari suatu penyakit. Aplikasi diagnosa sistem pakar penyakit gigi dibangun menggunakan JAVA bahasa pemrograman dengan bantuan perangkat lunak Eclipse Mars. Untuk mengadopsi keahlian seorang dokter, bobot setiap data input gejala menggunakan sistem berbasis web menggunakan bahasa pemrograman PHP dengan framework Code Igniter dan MySQL sebagai database. Selanjutnya, dalam pengukuran akurasi uji sistem dilakukan oleh 20 pasien, ada 19 kasus yang sesuai dan 1 kasus yang tidak sesuai. Jadi, dari pengujian sistem yang dilakukan oleh 20 pasien menghasilkan tingkat akurasi 95%. Untuk saran tentang penelitian lebih lanjut untuk mengadopsi keahlian yang dimasukkan dokter melalui Android yang memungkinkan dokter memantau aplikasi ini.