Pengambil keputusan (pakarf akan uerpian dalam memberikan preferensinya
terkait dengan diagnosis gangguan kejiwaan. Preferensi diberikan baik terhadap
.
Bmipa
l8(l), Jarutari
2008
BASIS PEI\GETAHLTAN DENGAN MODEL KEPUTUSAN KELOMPOK UNTUK DIAGI\OSIS GANGGUAN KEJIWAAN KNOWLEDGE BASES USING GROUP DECISION MODEL FOR DAGNOSING MENTAL DISORDER Sri Kusumadewil) dan Sri Hatati2) lJurusan
2Program
Teknik Informatika, Universitas Islam Indonesia, Jl. Kaliurang Kml4,5 yogyakarta (0274) 895287, E-mail :
[email protected] Studi Elektronika & Instrumentasi, Fakultas Matem atlka &Ilmu pengetahuan Alam, universitas Gadjah Mada, yogyakarta, E-mail :
[email protected]]id
ABSTRAK Basis pengetahuan merupakan salah satu bagian terpenting dari sistem pakar. pengetahuan dalam basis pengetahuan dapat direpresentasikan dalam berbagai cara. Namun sebagian besar basis pengetahuan belum mengakomodasi adanya preferensi dari beberapa pengambil keputusan (group support system). Pada penelitian ini, pengetahuan dibangun dari preferensi yang diberikan oleh beberapa pengambil keputusan. Pengambil keputusan (pakarf akan uerpian dalam memberikan preferensinya terkait dengan diagnosis gangguan kejiwaan. Preferensi diberikan baik terhadap fitur (gejala atau tanda) dalam kondisi tertentu, maupun terhadap gangguan dalam kondisi tertentu. Pada penelitian ini, telah terkumpul sebanyak 124 fitur dan io -g-ungguan. preferensi terhadap fitur yang relevan dalam suatu kondisi, diberikan oleh pengambil keputusan dalam format utility vector. Pada penelitian ini, telah terkumpul sebanyak "toS t 0,593. Untuk kondisi pertama, hr : (1, 0, 1,0; l; 0; 1). Dengan demikian, kondisi pertama, cr : (cr-r+, cr-3, cr-ll, c1-13) seperti terlihat pada Tatrel 5, baris pertama..
Dengan cara yatTg sama, proses untuk mendapatkan
fitur-fitur yang relevan dapat dilakukan pada 104 kondisi yang lainnya, dengan hasil yang sebagian dapat dilihat pada Tabel 5.
ai L. paaa kondisi pengambil keputusan memberikan
berada di A namun tidak terdapat
Dengan menggunakan QGDD pada persamaan (6), dapat diperoleh r11 : 0,712; dan seterusnya hingga
5
preferensinya masing-masing sebagai berikut:
: A':
1r+0.0, F40.2,F41.0, F41.1, F6o.o)
1f+0.t, F40.2,F47.0,F41.1, F45.1, F48.1,
F32.1, F60.0, F60.6)
A3:
{F40.1, F40.2,F41.0,F41.1, F45.1, F60.0,
F60.6)
: A': A4
1f'+0.0, F40.2,F41.0,F41.1, F60.0, F60.6) 1n+0.0, F41.0, F41.1, F45.3)
TRANSF'ORMASI VEKTOR S E L E C T E D T KE RELASI PREFEREN SI RAZZY
S UB S E
Seperti halnya pada pemilihan
.
fitur, setiap vektor
selected subset yang sudah terbentuk, terlebih dahulu akan ditransformasikan ke dalam relasi preferensi fuzzy, Transformasi ini dilakukan dalam rangka
membentuk matriks preferensi yang nantinya akan Tabel 5. Seratus lirna kondisi berisi fitur-fitur terkait. Kondis Fitur-fitur terkait (c;;)
i ke-
1
I 1
2 J
4
2
3
4
5
6
7
8
9
J
ll
l3
0
0
0
0
0
-1
t3
16
o
0
0
0
0
2
2
4
5
0
0
1
4 8
18
21
Z3
t0
l2
0
0
0
0
0
0
dikenakan operasi agregasi. Operasi agregasi ini
bertujuan untuk melakukan komposisi terhadap semua matriks preferensi. Transformasikan vektor selected subset, Ak, ke relasi preferensi fuzzy, Pk, diberikan oleh (Ma, dkk, 2004), sebagai berikut.
^u u' _
-
lt'
jika A,
to,r'
rainnya
(8) 105
36
9
10
dengan m adalahjumlah gangguan.
Sri Kusumadewi dkk, Basis Pengetahuan dengan Model
Berdasarkan persamaan (8) tersebut, akhirnya dapat dibentuk relasi preferensi fuzzy. Tabel 6 menunjukkan matriks relasi preferensi fuzzy pengambil keputusan pertama pada kondisi pertama. Sebagai contoh, elemen pada baris kedua kolom pertama bemilai 1, artinya pada
menyimpulkan bahwa gangguan kedua lebih penting
kondisi pertama pengambil keputusan pertama
dengan gangguan keempat, dst.
Tabel 6. Matriks relasi
ferensi 4 0,5 0 0.5 0.5 0 0,5 0,5 0.5 0.5 0 0,5 0
I
2
0,5 0.5
0 0,5 0
4
0.s
5
8
0.5 0.5
0,5 0.5 0 0
9
0-5
0
0-5
0
10
0-5
0
0.5
0
29 30
0.5 0,5
0 0
0.5 0,5
1
2 3
6 7
J
daripada gangguan pertama; elemen pada baris kedua kolom keempat bemilai 0,5, artinya pada kondisi
pertama pengambil keputusan
pertama
menyimpulkan bahwa gangguan kedua sama penting
kondisi 5
6
7
8
0 0,5
0
0,5
0,5
0,5
0
0
0,5
0,s
0,5
0,5 0,5 0.5
o5 0,5 0
9 0,5
10
29
0,5
0,5
1
1
1
0,5
0,5
0,5
0,s
1
I
1
I
I
30 0.5
I
I I
1
I
I
I
0,5 0.5 0.5 0,5
0,5 0,5 0.5
ns
0,5 0,5 0,5 0.5
0,5 0,5
0,5 0,5
0,5 0,5
I
0
0,5
0
0
0,5
0
0
0,5
0.5 0.5 0,5
0
0
0,5
o5
0,5 0,5 0,5
0
0
0
0
0
0
0,5 0,5
0.5 0,5
0,5 0,5
0,s
agregasi semua pengambil keputusan memberikan informasi bahwa gangguan kedua memiliki tingkat kepentingan 0,56 kali gangguan pertama; sebaliknya gangguan pertama memiliki tingkat kepentingan 0,44 (l-0,56) kali gangguan kedua (dapat dilihat dari elemen baris pertama kolom kedua).
AGREGASI PREF'ERENSI GANGGUAN DENGAN OPERATOROWA
Kelima matriks relasi preferensi fuzzy yang telah diperoleh, selanjutnya akan dikomposisikan untuk mendapatkan suatu matriks agregasi. Proses agregasi
juga akan menggunakan operator Ordered Weighted Averaging (OWA). Fuzzy quantifier "most" juga digunakan dalam rangka pembentukan bobot yang akan digunakan untuk mendapatkan matriks komposisi. Berdasarkan persamaan @, diperoleh matriks agregasi, Pc, yang dapat ditabelkan seperti pada Tabel
7.
Sebagai contoh, elemen pada baris kedua kolom pertama bernilai 1, artinya pada kondisi pertama
Tabel 7 2
4atriks OWA hasi ., 4 5
I
6
7
8
9
10
29 30 0,32 0,62
2
0,50 0,44 0,26 0,26 0,19 0,26 0,62 0,62 0.62 0,62 0,56 0,50 0,39 0,32 0,26 0,39 0,68 0,68 0,68 0,68
0,62 0,81
4
0,74 0,61 0,50 0,50 0,38 0,50 0,81 0,81 0,81 0,81 0,74 0,68 0,50 0,50 0,38 0,50 0,81 0,81 0,81 0,81
5
0,81 0,74 0,62 0,62 0,50 0,62 I,00
r,00 1,00 1,00
0,68 1,00
6
0,56 0,81 0,26 0,50
8
0,74 0,61 0,50 0,50 0,3 8 0,50 0,81 0,81 0,81 0,81 0,38 0,32 0,19 0,19 0,00 0,19 0,50 0,50 0,50 0,50 0,38 0,32 0,19 0, 19 0,00 0,19 0,50 0,50 0.s0 0,50
9
0,3 8
l0
0,3 8
7
0,32 0,19 0,1 9 0,00 0,19 0,50 0,50 0,50 0,50 0,32 0,19 0,19 0,00 0,1 9 0,50 0,50 0,50 0,50
0,44 0,68 0,62 0,8 r
0,26 0,50 0,26 0,50 0,26 0,50
31
Bmipa
l8(l), Januari
2008
0,68 0,56 0,38 0,38 0,32 0,44 0,74 0,74 0,74 0,74 0,3 8 0,32 0,19 0, l9 0,00 0,l9 0,50 0,50 0,50 0,50
29 30
EKSPLOITASI GANGGUAN YANG RELEVAN DENGAN KONDISI TERTENTU
0,50 0,74 0,26 0,50
Pada penelitian ini, matriks L berukuran 105 x 30 (105 kondisi, dengan jumlah altematif gangguan pada suatu kondisi sebanyak 30 fitur). Vektor l; akan memiliki elemen-elemen yang hanya bernilai 0 atau 1. Elemen l; : 0 jika si1< thresholdl dan lh, : I jika l1
Setelah diperoleh matriks gregasi, Pc, akan ditentukan gangguan-gangguan mana saja yang memiliki potensi cukup tinggi pada kondisi tertentu. Untuk melakukan pemilihan gangguan ini, juga digunakan operator
>
threshold. Tabel
9
menunjukkan matriks L
tersebut. Sebagai contoh, elemen pada baris pertama
QGDD pada tahap eksploitasi. Hasil operasi ini disimpan pada matriks S. Hasil pemilihan gangguan dapat dilihat pada Tabel 8. Selanjutnya, setiap kondisi dihitung nilai rata-ratanya. Nilai rata-rata ini selanjutnya akan digunakan sebagai threshold untuk menentukan
kolom pertama bernilai 0,57; artinya gangguan pertama memiliki nilai 0,57 pada kondisi pertama. Nilai terbesar untuk kondisi pertama ada pada ganggua ke-5 sebesar 0,94.
gangguan-gangguan mana saja yang relevan dengan kondisi pertama, yang akan ditampung dalam matriks L.
Tabel 8 Hasi
rasi OGDD untuk
Kondis
i
ke-
I
2
3
4
5
0,57
0,63
0,77
0,96
0,94 0,96
J
0,47 0,47
0,77 0,47
4
0.66
5
6
0,69 0,77
7
o11
8
2
0,47
0,59 0,47
0,48
0,47 0,48
0,59
0,48
0,45
0,45
0,45
0,45
0,46
0,46 0,77
0,46 0,94
0,77
0,45 0,63
9
0,94 0,77
0,63
0,77 0,69
0,77 0,69
0,69 0,69
10
0,58
0,46
0,46
0,46
0,70
104
0,48
0,48
0,48
0,48
0,48
105
0,48
0,48
0,48
0,48
0,48
Kondi
n terkait S
7
6
0,47
l0
9
8
0,76 0,45 0,45 0,78 0,47 0,47 0,97 0,47 0,4t 0,79 0,48 0,48
28
0,45 0,45 0,47 0,47 0,59 0.47 0,59 0,49
0,45 0,57 0,45 0,45 0,94 0,45
0,69 0,45 0,45 0,63 0,45 0,77 0,45 0,45 0,77 0,57 0,70 0,58 0,46 0,70 0,95
0,45 0,69 0,45
0,46 0,95 0,46
0,48 0,48 0,48 0,48 0,48 0.48 0,49 0,48 0,48 0,48
0,48 0,48 0,48
0.48 0,48 0,48
1
2
3
4
5
7
8
9
10
28
0,54
I
I
I
I
I
0
0
0
0
0
I
0
2
0,53
0
I
0
I
I
0
0
0
0
0
0
0
1
0,53
0
0
0
0
0
0
0
1
0
0
0
0
4
I
0
t,
I
0
0
0
I
0
0
0
0
5
0,52 0,57
I
0
0
0
0
0
0
6
0,55
I
0
0
0
I
I
7
0,54
I
0
1
I
I
0
0
8
0,54
1
0
0
9
0,54
1
0
10
0,55
104
o(?
0
0
0
0
0
0
0
0
0
0
0
0
0
r05
0,s2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
6
0
I
29 30
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
30
0,48 0,48 0,48 0,45 0,'76 0,45 0,46 0,69 0.46
0,94 0,45 0,45 0,76 0,94 0,77 0,57 0,57 0,69 0,69 0,94 0,45 0,45 0,45 0,45
0,77
29
0,45 0,69 0,45 0,47 0,47 0,47 0,47 0,47 0,47
'abel 9 Hasil pembulatan matriks hasi Gangguan ke-
si ke- mean
38
lihan
Gangguan ke-
Sri Kusumadewi dkk, Basis Pengetahuan dengan Model
KUMPULAN PENGETAHUAN Suatu kondisi sangat dimungkinkan memiliki tebih dari 1 gangguan yang relevan. Hubungan antara I kondisi
I gangguan yang relevan, selanjutnya disebut sebagai satu pengetahuan. Misalkan, dengan
akan pada
kondisi pertama, gangguan yang relevan dengan kondisi tersebut adalah L1 G32.0), tz (F40.0), L3 G40.1), L4 (F40.2), L5 €41.0), L6 €41.1), L? (F45.0), Ls (F45.1),
Le (F48.1), Lro (F60.0), dan L11 (F60.6). Sehingga kondisi pertama ini akan melahirkan 11 pengetahuan. Masing-masing pengetahuan memiliki kondisi atau penyebab (anteseden) yang sama, namun memiliki perbedaan pada jenis gangguan beserta bobot yang abe
(F60.1). Sehingga pada kondisi kedua
ahuan (635 pensetahuan
an
si ke-
2
J
4
5
6
7
8
9
Gangguan Bobot
I
4
3
J
2
4
3
3
F32.0 F40.0
3
4
3
3
F40.1
4
4
3
3
5
4
3
3
F40.2 F41.0
6
a
A
3
J
F4l.t
0.566 0.630 0.766 0.766 0.937 0.765
l
4
.,
J
F45.0
0.571
8
4
3
)
0,629
9
4
3
J
F4s.1 F48.1
10
4
J
3
11
4
J
3
4
.,
6
0,566 0.766
13
2
4
J
6
14
2
4
3
6
F60.0 F60.6 F40.0 F40.2 F41.0
15
4
J
3
6
F41.1
0,78 r
t6
2 2
3
3
6
t7
2
4 4
3
3
6
F45.0 F60.0
18
2
t9
.,
12
20 21
2
3
0-691
0.960 0.586 0.960
J
6
F60.1
0,588 0,707 0,587
8
l8
21
23
24
25
F41.r
0,966
8
18
21
23
24
25
F43.0
0,591
2l
./.3
24
Z5
F44.4
0,781
4
3
3
8
18
22
J
8
18
21
23
24
25
F44.6
0,781
23
3
8
18
21
23
24
25
F48.1
0,966
24 25 26
4 4 4 4
4 4 4
6
8
73
74
75
6
8
IJ
74
75
F32.0 F40.2
0.658 0,593
6
8 8
74 74
F4l.l
6
/3 /1
75
4
75
4 4
4 4
6
8
73
74
75
29
6
8
73
74
75
0,786 0,594 0,786 0,786
30
5
2l 2t
43
44
32
5
21
42 42 42
44
5
40 40 40
43
3l
43
44
JJ
5
21
43
44
5
2t
40 40
42
34
35 35 35 35 35
F43.0 F44.4 F60.0 F32.0
42
43
44
27 28
akan
melahirkan sebanyak 7 pengetahuan. Tabel 10 baris ke-12 sampai baris ke-l8 menunjukkan pengetahuan yang terbentuk dari kondisi kedua.
Fitur-fitur terkait
Fenget Kondi ahuan
ke-
0
terkait dengan anteseden tersebut. Tatrel 10 baris keI sampai baris ke-ll menunjukkan 11 pengetahuan yang terbentuk dari kondisi pertama. Demikian pula pada kondisi kedua, gangguan yang relevan dengan kondisi tersebut adalah L1 G40.0), 14 G40.2), L1 (F41.0), L4 (F41.1), L5 G45.0), L6 G60.0), dan L7
46 46 46 46 46
F41.1
F43.0 F43.1
F44.0
0.687
0,940 0,761 0.940 0.940
39
Bmipa
l8(l), Januari
2008
Fitur-fitur terkait
Pengel Kondi ahuan si keke-
I
2
J
4
5
6
7
Gangguan Bobot
9
8
35 36 37 38
5
21
35
40
42
43
44
46
F45.0
5
21
35
42
43
F45.3
2t
35
43
46
F45.4
0.572 0.572 0,572
5
21
35
43
44
0,940
5
21
35
43
44
46 46
F48.1
39 40
5
21
35
42 42 42 42
44 44
46
5
40 40
44
46
41
6 6
7 7
6
7
6
7
42 42 42 42 42 42
0.761 0.761 0,768 0,768
44
36 36 36 36 36 36
4
42 43
43 40 40 40 40 40 40 40 40 40 40 40
F60.0 F60.6 F32.0 F41.0
45 46 47 48
6
7
6
7
6
7
6
7
49
6
50
6
7
51
6
7
40 40 40 37 37 37 37
36 36 36 36 36
38
38 38 38
-tt
38
37
38
37 37
38
5/
38
37 37
38
38
38
4 4 4 4 4 4
4 4 4 4
42 42 42 42 42
44 44 44 44 44
43 43 43 43 43 43 43
F41.1
0"768
F42.0 F42.1
0.566 0.566
44 44 44 44
F43.0
0,691
F43.1
0.691
43
44
F60.1
0,768 0,168
43
44
F60.6
0,691
43
43
F44.0 F60.0
0,691
624
02
96
02
16
124
F60.0
0,98
625
02
96
02
16
124
F60.1
0,79
626
02
96
02
16
t24
03
99
18
24
0
F60.4 F60.0
0,98
627 628
03
99
24
0
F60. I
0,80
629
03
24
0
F60.3
0,61
630
04
99 99
l8 l8 03
04
05
I
9
120
t21
F60.0
0,79
631
04
99
03
04
05
t 9
120
121
F60.1
0,98
632
04
99
03
04
05
1
9
120
121
F60.3
0,60
633
05
97
04
06
21
F60.0
634
05
97
04
06
2l
F60.1
0,79 0,98
635
05
97
04
06
21
F60.3
0,60
PENENTUAN NILAI PROBABILITAS Setelah diperoleh beberapa pengetahuan, selanjutnya setiap pengetahuan tersebut dapat dianggap sebagai sebuah kejadian. Pada kumpulan kejadian tersebut,
probabilitas munculnya terj adi merup akan
c
fitur ai, jika
onditi o nal
p r ob ab
gangguan
d1
ili ty.
dan B adalah 2 kejadian yang saling berhubungan, conditional probability p(AlB) dapat Apabilai
A
dihitung berdasarkan probabilitas terjadinya A dan B, dan probabilitas terjadinya B sebagai berikut (Russel, 2003:470).
p(AlB)=Ptr?
0,80
yang diperoleh. Misal: untuk gangguan pertama (F32.0), jumlah kejadian dengan fitur peftama, a1, sebanyak 67 kejadian; dari 67 kejadian tersebut, terdapat 6 kejadian mempengaruhi terjadinya gangguan pertama (d1), sehingga:
p(d, la,y= P(d,ar) p(a,
)
6
= 67
=0.0896
Nilai ini berarti, probabilitas terjadinya
gangguan
F32.0 apabila terdapat gejala kecemasan berada di keramaian (a1) adalah sebesar 0,0896. Tabet 11 menunjukkan probabilitas terjadinya gangguan d;
(e)
fitur q terjadi.
Pada kolom
jika
ke-2,9, 12,27,31 ,32,34,
39, 54,56, 58, 59, 60, 65, 69, 70, dan 122 tidak ada
dengan p(B) > 0.
: 0, yang berarti bahwa belum ada pengetahuan yang
Persamaan (9) tersebut dioperasikan pada semua gejala (a,) dan gangguan (d,) berdasarkan 635 pengetahuan
mendukung munculnya fitur a;.
40
hasil. Hal ini terjadi karena nilai p(a;)
Sri Kusumadewi dkk, Basis Pengetahuan dengan Model
Tabel
l.
Probabilitas ter
nYa gangguan d;
iika fitur
a
Fitur ke-
Gangguan ke-
2
3
4
5
6
7
8
9
10
t23
t24
0,0896
0,0870
0,0602
0,0741
0,1642
0,0000
0,0909
0,1429
0,0000
0,0000
2
0, I 045
0,0870
0,0175
0,1111
0,0597
0,0000
0,0000
0,0357
0,0000
0,0000
3
0,0448
0,0580
0,0526
0,0370
0,0448
0,0909
0,0000
0,107
I
0,0000
0,0000 0,0000
4
0,1194
0,1 0 14
0,0276
0,1111
0,0149
0,0000
0,0909
0,0357
0,0000
5
0,0896
0,0870
0,0376
0,07 41
0,0299
0,1818
0,0000
0,1 07
0,0000
0,0000
6 ,l
0, I 343
0,1 159
0,1429
0,1481
0,1642
0,1818
0,1818
0,1429
0,1
250
0,0000
0,0149
0,0145
0,0376
0,0370
0,0299
0,0909
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
1
8
0,0000
0,0000
0,0301
0,0370
0,0000
0,0909
0,0000
0,0000
9
0,0448
0,0435
0,0201
0,0370
0,1 194
0,0000
0,1818
0,0357
0,0000
0,0000
0
0,0299
0,0290
0,0050
0,0370
0,0149
0,0000
0,0000
0,0000
0,0000
0,0000
I
0,0000
0,0000
0,0025
0,0000
0,0149
0,0000
0,0000
0,0000
0,0000
0,0000
2
0,0000
0,0000
0,0000
0,0000
0,0149
0.0000
0.0000
0,0000
0,0000
0,0000
J
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
4
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
5
0,0000
0.0000
0,0025
0,0000
0,0149
0,0000
0,1818
0,0000
0,0000
0,0000
6
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0909
0.0000
0,0000
0,0000
7
0.0000
0,0000
0,0000
0,0000
0,0000
0,0000
8
0,0149
0,0435
0,0526
0,0370
0,0299
0,0000
0,0000
0,0357
0,0000
0,0000
9
0,0000
0,0145
0,0351
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
20
0,0000
0,0000
0,0276
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0226
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
2l
0,0000
22
0,0000
0,0000
0,0075
0,0000
0.0000
0,0000
0,0000
0,0000
23
0,0000
0,0000
0,0050
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
24
0,0299
0,0290
0,0401
0,0370
0,0000
0,0000
0,0909
0,03 57
0,0000
0,0000
25
0,0746
0,1014
0,0927
0,07 41
0,1 3 43
0,0909
0,0909
0,t429
0,2500
0,3750
0,0370
0,0746
0.0909
0,0000
0,0357
0,2500
0,3750 0,1250
26
0,0s97
0,0580
0,0752
27
0,0000
0,0000
0,055 r
0,0000
0,0000
0,0000
0,0000
0,0000
0,0000
28
0,0299
0,0290
0,055 r
0,0370
0,0448
0,0000
0,0000
0,07
t4
0,2500
0,1250
29
0.0597
0.072s
0,0652
0,0370
0,0299
0,0909
0,0000
0,07 14
0,1250
0,0000
0,0597
0,0290
0,0301
0,0370
0,0000
0,0909
0,0000
0,0000
0,0000
0,0000
30
2. KESIMPULAN
probability suatu gangguan terhadap munculnya
Berdasarkan hasil penelitian tersebut, akhirnya dapat disimpulkan bahwa:
inferensi.
l. Basis pengetahuan yang
dibangun, mampu
mengakomodasi masukan pengetahuan yang diperoleh dari preferensi beberapa pengambil keputusan.
2.
Penggunaan konsep fuzzy multi-attribute decision
making mampu membangkitkan
beberapa pengetahuan dari suatu kondisi tertentu berdasarkan agregasi preferensi dari para pengambil keputusan.
3.
Pengetahuan-pengetahuan yang terbentuk dalam basis pengetahuan dapat diinterpretasikan sebagai
kumpulan kejadian, sehingga
conditional
suatu
fitur dapat dihitung untuk
keperluan
REFERENSI Chiclana, Francisco; Herrera-Viedma, Enrique; Herrera, Francisco; Alonso Sergio, 2004, "Some tnduced Ordered Weighted Averaging Operators and Their Use for Solving Group Decision Making Problems Based on Fuzzy Preference Relations". University of Granada,
Research Group onSoft Computing
and
Intelligent Information Systems, online pada h
ttp //sc i2 s. ugr. es Juni 2006. :
4t
Bmipa
l8(l), Januari
2008
Chiclana, Francisco; Herrera-Viedma, Enrique; Herrera, Francisco; 1998, "Integrating Three
in Fuzzy Multipurpose Decision Making Based on Preference Representation Models
Relations". University of Granada.
Herrera, F., Martinez, L., dan Sanchez, P.J., 2004, "Managing non-homogenous Information in
Group Decision Making" dalam Elsevier: of Operation Research No.
Europian Journal
166, Pp:
htt p : //www.
sc
115-132, online
i 2 s. u g r.
e
s/pub
I
ic at i o ns A c he
pada
ros/EJ
OR-Heruera-Martinez-Sanchez-2004.pdf l5 Maret 2005.
Herrera, F., dan Herrera-Viedma, E. 2000. Linguistic Decision Analysis: Steps for Solving Decision Problems under Linguistic Information. Fuzzy Sets and Systems: 115 pp. 67-82.Ma, J., Zhang, Q., Zhou, D., dan Fan,2.P.,2004, "A Multiple Person Multiple Attribute Decision Making Method Based on Preference Information and Decision Matrix", online pada htt p : //wtv.
is, c
i\tu. e du. h k/ Re s e arc h/
WorkingPaoers/paoer/0006.pd-f. 2004.
03
Preference
Information and Decision Matrix", online pada http : //ww. i s. ei\;u. e du. hM Re s e arch/ WorkinsPapers/paoer/0006.pd:f. 2004
42
03
Atmajaya.
Rudolphi,
W., 2000, "Multi Criteria
Nopember
Decision
Analysis as A Framework for Integrated Land Use Management in Canadian National Parks"
online pada http://www.rem.sfu.ca/pubs,htm. 16 Juni 2005.
Russel, Stuart dan Norvig, Peter, 2003, Artificial Intelligence A Modern Approach, Pearson Prentice Hall, New Jersey Shadbolt, Nigel dan Milton, Nick, 1999, "From
Knowledge Engineering to Knowledge Management", British Journal of Management, Vol. 10, pp:309-322. Turban, Efraim; Aronson, Jey; dan Liang, Ting-Peng, 2005, Decision Support Systems and Intelligent Systems, Pearson Prentice Hall,
New Jersey.
Set Theory an lts Applications, Edisi-2, Kluwer Academic
Zimmermann, 1991, Fuzzy
Publishers, Massachusetts. Nopember
Ma, J., Zhang, Q., Zhou, D., dan Fan, 2.P.,2004, "A Multiple Person Multiple Attribute Decision
Making Method Based on
Maslim, R., 2001, Pedoman Penggolongan Diagnosis Gangguan Jiwa IIL Jakarta'. FK Unika
