Sedikit Teori Sistem Pakar

[Julimei Gea]

PENGERTIAN SISTEM PAKAR

Ok, langsung aja. Dari pada kebanyakan bacot. Ntar keburu bosen baca nya.

Artificial Intelegence(AI) adalah suatu studi khusus dimana tujuan nya adalah membuat komputer untuk berpikir dan bertindak seperti manusia. Implementasi AI di dalam bidang komputer antara lain Decision Support System (Sistem Pendukung Keputusan), Expert System(Sistem Pakar), Robotic, Natural Language(Bahasa Alami), Neural Network(Jaringan Saraf), dan lain-lain (Dunklin, 1994)

Sistem pakar adalah sebuah perangkat lunak komputer yang memiliki basis pengetahuan untuk domain tertentu dan menggunakan penalaran inferensi menyerupai seorang pakar dalam memecahkan masalah. Sistem Pakar adalah salah satu jalan untuk mendapatkan pemecahan masalah secara lebih cepat dan mudah (Azis Farid, 1994). Sedang kan definisi lain dari Sistem Pakar adalah sistem berbasis komputer yang menggunakan pengetahuan, fakta, dan teknik penalaran dalam memecahkan masalah yang biasanya hanya dapat dipecahkan oleh seorang pakar dalam bidang tersebut (Martin dan Oxman,1988).

Sistem Pakar mengabungkan pengetahuan dan penelusuran data untuk memecahkan masalah yang secara normal memerlukan keahlian manusia. Tujuan dari Sistem Pakar sebenar nya bukan untuk menggantikan peran manusia, tetapi untuk mensubtitusikan pengetahuan manusia kedalam bentuk sistem, sehingga dapat digunakan oleh orang banyak.

Pada dasar nya sistem pakar diterapkan untuk mendukung aktivitas pemecahan masalah. Aktivitas pemecahan masalah yang dimaksud antara lain: pembuatan keputusan (decision making), pemaduan pengetahuan (knowledge fusing), pembuatan desain (designing), perencanaan (planning), prakiraan (forecasting), pengaturan (regulating), pengendalian (controlling), diagnosis (diagnosing), perumusan (prescribing), penjelasan (explaining), pemberian nasehat (advising) dan pelatihan (tutoring). Selain itu sistem pakar juga dapat berfungsi sebagai asisten yang pandai dari seorang pakar (Martin dan Oxman, 1988).

Sistem pakar dibuat pada wilayah pengetahuan tertentu untuk suatu kepakaran tertentu yang mendekati kemampuan manusia disalah satu bidang. Sistem pakar akan memberikan solusi yang memuaskan layak nya seorang pakar. Selain itu sistem pakar juga dapat memberikan penjelasan terhadap langkah yang diambil dan memberikan alasan atas saran atau kesimpulan yang ditemukan (Kusrini, 2006).

Ciri-ciri sistem pakar(Kusrini, 2006) :

1. Terbatas pada bidang keahlian yang spesifik

2. Dapat mengemukakan rangkaian alasan-alasan yang diberikan dengan cara yang dapat dipahami.

3. Dapat memberikan penalaran untuk data-data yang tidak lengkap atau tidak pasti.

4. Berdasarkan rule atau kaidah tertentu

5. Dirancang untuk dikembangkan secara bertahap

6. Keluaran bersifat anjuran atau nasehat

7. Keluaran tergantun dari dialog dengan user.

Keuntungan pemakaian sistem pakar antara lain (Kusrini,2006):

1. Membuat seorang yang awam dapat bekerja seperti layak nya seorang pakar.

2. Dapat bekerja dengan informasi yang tidak lengkap atau tidak pasti.

3. Meningkatkan output dan produktivitas. Sistem pakar dapat bekerja lebih cepat dari manusi. Keuntungan ini berarti mengurangi pekerja yang dibutuhkan, dan akhirnya dapat mereduksi biaya.

4. Meningkatkan kualitas.

5. Sistem pakar menyediakan nasehat yang konsisten dan dapat mengurangi tingakat keslahan.

6. Membuat peralatan yang kompleks lebih mudah dioperasikan karena sistem pakar dapat melatih pekerja yang tidak berpengalaman.

7. Handal (reliability).

8. Sistem pakar tidak dapat lelah atau bosan. Juga konsisten dalam memberikan jawaban dan selalu memberikan pehatian penuh.

9. Memiliki kemampuan untuk memecahkan masalah yang komplek.

10. Memungkinkan pemindahan pengetahuan ke lokasi yang jauh serta memperluas jangkauan seorang pakar, dapat diperoleh dan dapat dipakai dimana saja. Merupakan arsip yang terpercaya dari sebuah keahlian sehingga user seolah-oalh berkonsultasi langsung dengan sang pakar meskipun sang pakar telah pensiun.

Bagian-bagian sistem pakar (Arhami, 2005):

• Basis Pengetahuan (knowledge base)

Basis data merupakan bagian yang mengandung semua fakta-fakta, baik fakta awal pada saat sistem mulai beroperasi maupun fakta-fakta yang didapatkan pada saat pengambilan kesimpulan sedang dilaksanakan.

Mesin interferensi merupakan bagian yang mengandung mekanisme fungsi dan pola-pola penalaran sistem yang digunakan oleh seorang pakar. Mekanisme ini akan menganalisa suatu masalah tertentu dan selanjutnya akan mencari jawaban atau kesimpulan yang terbaik. Secara deduktif mesin interferensi memilih pengetahuan yang relevan dalam rangka mencapai kesimpulan.

Antar muka pemakai adalah bagian penghubung antara istem pakar dengan pemakai. Pada bagian ini akan terjadi dialog antara program dengan pemakai. Program akan mengajukan pertanyaan-pertanyaan berbentuk YES/NO atau berbentuk menu pilihan. Program sistem pakar akan mengambil keimpulan berdasarkan jawaban-jawaban dari pemakai.

Masalah-masalah yang dapat diselesaikan dengan sistem pakar, diantaranya (Kusrini, 2006):

Membuat kesimpulan atau deskripsi dari sekumpulan data mentah.

Memproyeksikan akibat-akibat yang dimungkinkan dari situasi-situasi tertentu.

Menentukan sebab malfungsi dalam situasi kompleks yang didasarkan pada gejala-gejala yang diamati

Menentukn konfigurasi-konfigurasi komponen-komponen sistem yang cocok dengan tujuan-tujuan kinerja tertentu yang memenuhi kendala-kendala tertentu.

Merencanakan serangkaian tindakan yang akan dapat mencapai sejumlah tujuan dengan kondisi awal tertentu.

Menentukan dan meng-interpretasikan cara-cara untuk mengatasi ma fungsi.

Mendeteksi dan mengoreksi defisiensi dalam pemahaman domain subyek.

Mengatur tingkah laku suatu environment yang kompleks.

Mengidentifikasi pilihan terbaik dari sekumpulan (list) kemungkinan.

Pemodelan interaksi antara komponen-komponen sistem.

Membandingkan hasil pengamatan dengan kondisi yang diharapkan.

Lebih menekan kan pada bagaimana melakukan sesuatu.

Menjawab pertanyaan apakahsesuatu bernilai salah atau benar.

Merupakan pengetahuan yang tidak dapat diungkapkan dengan bahasa. Misal nya, bagaimana cara kita memindahkan kaki.

Beberapa model representasi pengetahuan yang penting, adalah :

logika merupakan suatu pengkajian ilmiah tetang serangkaian penalaran, sistem kaidah dan prosedur yang membantu proses penalaran. Dalam melakukan penalaran, komputer harus dapat menggunakan proses penalaran deduktif dan induktif kedalam bentuk yang sesuai dengan manipulasi komputer, yaitu berupa logika Simbolik dan logika Matematik.

Penalaran deduktif bergerak dari penalaran umum mnuju ke konklusi khusus. Umum nya dimualai dari suatu silogisme, atau pernyataan premis dan inferensi yang biasanya terdiri dari 3 bagian, yaitu premis mayor, premis minor, dan konklusi.

Contoh penalaran deduktif :

Premis mayor : Jika hujan turun saya tidak akan pergi ke kampus.

Premis minor : Pagi ini hujan turun.

Konklusi : Oleh karena itu pagi ini saya tidak akan pergi ke kampus.

Penalaran induktif merupakan kebalikan dari penalaran deduktif, dimulai dari masalah khusus menuju ke masalah umum. Penalarna ini menggunakan sejumlah fakta atau premis yang mantap untuk menarik kesimpulan umum.

Contoh penalaran induktif :

Premis : dioda yang salah menyebabkan peralatan elektronik rusak.

Premis : Transistor rusak menyebabkan elektronik rusak

Premis : IC rusak menyebabkan peralatan elektronik tidak befungsi.

Konklusi : Maka, peralatan semikonduktor rusak merupakan penyebab utama rusak nya peralatan elektronik.

Jaringan semantik merupakan teknik representasi kecerdasan buatan klasik yang digunakan untuk informasi proporsional (Giarrantano dan Riley, 1994). Yang dimaksud dengan informasi proporsional adalah pernyataan yang mempunyai nilai benar atau salah. Informasi proporsional merupakan bahasa deklaratif karena menyatakan fakta.

Komponen dasar untuk merepresentasikan pengetahuan dalam bentuk jaringan semantik adalah simpul (node) dan penghubung (link). Simpul merepresentasikan obyek, konsep dan situasi. Simpul digambarkan dengan kotak atau lingkaran. Penghubung menghubungkan antar simpul. Penghubung digambarkan dengan panah berarah dan diberi label untuk menyatakan hubungan yang direpresentasikan.

Contoh bagaimana pengetahuan dapat direpresentasikan menggunakan jaringan semantik

Basis pengetahuan meru'">

Jaringan Semantik pada gabar diatas merepresntasikan pernyataan bahwa semua komputer merupakan alat elektronik, semua PC merupakan komputer, dan semua komputer memiliki monitor. Dari pernyataan tersebut dapat diketahui bahwa semua PC memiliki monitor dan hanya sebagian alat elektronik yang memiliki monitor.

Object dapat berupa bentuk fisik atau konsep. Attribute adalah karakteristik atau sifat dari object tersebut. Values (nilai) besaran/nilai/takaran spesifik dari attribute tersebut pada situasi tertentu, dapat berupa numerik, string ataupun boolean.

Sebuah object bisa memiliki beberapa attribute, biasa disebut OAV Multi-Attribute.

Contoh representasi pengetahuan dengan OAV ditunjukkan pada tabel 2.1

Bingkai berupa ruang-ruang (slots) yang berisi atribut yang mendeskripsikan pengetahuan. Pengetahuan yang termuat dalam slot dapat beupa kejadian, lokasi, situasi ataupun elemen-elemen lain nya. Bingkai digunakan untuk merepreentasikan pengetahuan deklaratif (Giarrantano dan Riley, 1994).

Bingkai memuat deskripsi sebuah obyek dengan menggunakan tabulasi informasi yang berhubungan dengan obyek. Dengan demikian, bingkai membantu menirukan cara seseorang mengorganisasikan informasi tentang sebuah obyek yang menjdi kumpulan data.

Bingkai merupakan cara yang lebih kompleks untuk menyimpan obyek dan nilai atribut nya bila dibandingkan dengan jaringan semantik. Bingkai menambahkan kecerdasan pada representasi data dan mengijinkan obyek untuk menurunkan nilai dari obyek lain. Pada gambar 2.2 dapat dilihat contoh bingkai penyakit.

Kaidah produksi dituliskan dalam bentuk jika-maka (if-then). Kaidah if-then menghubungkan anteseden (antecedent) dengan konskuensi yang diakibatkan nya. Berbagai struktur kaidah if-then yang menghubungkan obyek atau atribut adalah sebagai berikut :

JIKA premis MAKA konklusi

JIKA masukan MAKA keluaran

JIKA kondisi MAKA tindakan

JIKA anteseden MAKA konskuen

JIKA data MAKA hasil

JIKA tindakan MAKA tujuan

Premis mengacu pada fakta yang harus benar sebelum konklusi tertentu dapat diperoleh. Masukan mengacu pada data yang harus tersedia sebelum keluaran dapat diperoleh. Kondisi mengacu pada keadaan yang harus berlaku sebelum tindakan dapat diambil. Anteseden mengacu pada situasi yang terjadi sebelum konskuensi dapat diamati. Data mengacu pada kegiatan yang harus dilakukan sebelum hasil dapat diharapkan. Tindakan mengacu pada kegiatan yang harus dilakukan sebelum hasil dapat diharapkan (Hanifah, 1998).

Metode inferensi penalaran maju cocok digunakan untuk menangani masalah pengendalian (controlling) dan peramalan (prognosis) (Giarattano dan Riley, 1994).

Pada backward chaining penalaran dimulai dari sekumpulan hipotesa untuk kemudian menuju fakta-fakta, seperti tampak pada gambar

CF(H,E) = MB(H,E) – MD(H,E)

CF(H,E) :certainty factor dari hipotesis H yang dipengaruhi oleh gejala (evidence) E. Besarnya CF berkisar antara -1 sampai dengan 1. Nilai -1 menunjukkan ketidakpercayaan mutlak sedangkan nilai 1 menunjukkan kepercayaan mutlak.

MB(H,E) :ukuran kenaikan kepercayaan (measure of increased belief) terhadap hipotesis H yang dipengaruhi oleh gejala E.

MD(H,E) :ukuran kenaikan ketidakpercayaan (measure of creased belief) terhadap hipotesis H yang dipengaruhi oleh gejala E.

o Mesin Interferensi (interference engine)

o Antar Muka Pemakai (user interface)

o Interpretasi

o Prediksi

o Diagnosis

o Desain

o Perencanaan

o Debugging dan Repair

o Instruksi

o Pengendalian

o Selection

o Simulation

o Monitoring

o Pengetahuan Prosedural

o Pengetahuan deklaratif

o Pengetahuan tacit

o Logika (logic)

o Jaringan Semantik (semantic nets)

o Object-Atributte-Value (OAV)

o Bingkai (Frame)

o Kaidah Produksi (production rule)

• Penalaran Maju (forwad chaining)
• Penalaran Balik (backward chaining)

Basis Data (database)

REPRESENTASI PENGETAHUAN

Pengetahuan merupakan kemampuan untuk membentuk model mental yang menggambarkan obyek dengan tepat dan merepresentasikannya dalam aksi yang dilakukan terhadap suatu obyek(Martin dan Oxman, 1988).

Pengetahuan diklasifikasikan menjadi 3:

INFERENSIBasis pengetahuan meru'"> Inferensi merupakan proses untuk menghasilkan informasi dari fakta yang diketahui atau diasumsikan. Inferensi adalah konklusi logis (logical conclusion) atau implikasi berdasarkan informasi yang tersedia. Dalam sistem pakar, proses inferensi dilakukan dalam suatu modul yang disebut Inference Engine (Mesin Inferensi).

Ketika representasi pengetahuan (RP) pada bagian knowledge base telah lengkap, atau paling tidak telah berada pada level yang cukup akurat, maka representasi pengehuan tersebut telah siap untuk digunakan. Mesin inferensi merupakan modul yang berisi program tentang bagaimana mengendalikan proses reasioning.

Dua metode inferensi dalam sistem pakar yaitu penalaran maju (forward chaining) dan penalaran balik (backward chaining).

Pada teknik forward chaining, penalaran akan dimulai dari sejumlah fakta-fakta atau data-data untuk menguji hipotesis. Seperti tampak pada gambar 2.3

Pada gambar 2.3 tampak bahwa pelacakan dimulai dari fakta yang ada, dimana fakta ini diperoleh dari berbagai macam cara, seperti diperoleh dari database, sensor atau dengan menanyakannya kepada user. Kemudian sistem akan membaca aturan-aturan untuk mencari aturan yang cocok dengan informasi yang telah diperoleh. Jika ditemukan yang cocok, maka sistem membaca aturan dan mencocokkan kembali. Dari hasil pencocokan tersebut akan dihasilkan kesimpulan.

Pada gambar 2.4 dijelaskan bahwa teknik backward chaining ini pelacakan dimulai dari kesimpulan, untuk selanjutnya dicari aturan / kaidah yang memiliki tujuan tersebut untuk kesimpulannya, selanjutnya proses pelacakan menggunakan premis untuk aturan tersebut sebagai tujuan baru dan mencari aturan lain dengan tujuan baru sebagai kesimpulannya. Proses ini akan terus berlanjut hingga ditemukan semua kemungkinan.

Penalaran balik disebut juga sebagai goal-driven reasioning, merupakan cara yang efisien untuk memecahkan masalah yang dimodelkan sebagai masalah pemilihan tersetruktur. Tujuan dari inferensi ini adalah mengambil pilihan terbaik dari banyak kemungkinan. Metode inferensi penalaran balik ini cocok digunakan untuk memecahkan masalah diagnosis(Schnupp,1989).

[Marlon Adriaansz]

buset apaan neh boz...??? okhey gini gue tanggapin yach
hmmm kalau emang keputusan yang diambil menurut feeling, gue rasa imposible soalnya yg namanya sistem pakar itu kan sebuah penerapan dasar ilmu yang dapat digunakan untuk menganalisa suatu fakta penelitian. yang dimana Sistem Pakar ini digunakan untuk memecahkan dan mencari solusi akhir dari suatu masalah sesuai dengan data-data dan fakta-fakta yang ada dan dapat di implementasi-kan? bukan begitu kawan?
kalau dengan menggunakan feeling, gue rasa gak mungkin and feeling itu kan hanya berlaku buat manusia, and bukan buat komputernya kan...? hehehe...
brb kaborrr ach...wkwkw

[carrick]

au ah..

[Galt Immanuel Leatemia]

kalo keputusan yang diambil berdasarkan feeling gmana rekayasanya ya ??