P. 1
Sistem Pakar

Sistem Pakar

|Views: 23|Likes:
Published by Andi Nur

More info:

Published by: Andi Nur on Dec 31, 2012
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOC, PDF, TXT or read online from Scribd
See more
See less

11/14/2013

pdf

text

original

SISTEM PAKAR

A. PENGERTIAN SISTEM PAKAR Sistem pakar merupakan cabang dari Artificial Intellegence (AI) yang tertua karena sudah mulai dikembangkan pada pertengahan 1960. Sistem pakar yang muncul pertama kali adalah General-Purpose Problem Solver (GPS) yang dikembangkan oleh Newel dan Simon. Sampai saat ini sistem pakar yang dibuat seperti: - MYCIN untuk diagnosa penyakit - DENDRAL untuk mengidentifikasi struktur molekul campuran yang tak dikenal - XCON dan XSEL untuk membantu mengkonfigurasi sistem komputer besar - SOPHIE untuk analisis sirkuit elektronik - Prospector digunakan di bidang geologi untuk membantu mencari dan menemukan deposit. - FOLIO digunakan untuk membantu memberikan keputusan bagi seorang manager dalam stok dan investasi - DELTA digunakan untuk pemeliharaan lokomotif listrik diesel. Istilah sistem pakar berasal dari knowledge-based expert system. Karena sistem pakar untuk memecahkan masalah, dan sistem pakar menggunakan pengetahuan seorang pakar yang dimasukkan ke dalam komputer. Beberapa pengertian sistem pakar: - Turban Sistem pakar adalah sebuah sistem yang menggunakan kemampuan manusia, di mana pengetahuan tersebut dimasukkan ke dalam sebuah komputer dan kemudian digunakan untuk menyelesaikan masalah-masalah yang biasanya membutuhkan kepakaran atau keahlian manusia. - Jackson Sistem pakar adalah program komputer yang mempresentasikan dan melakukan penalaran dengan pengetahuan beberapa pakar untuk memecahkan masalah atau memberi saran. - Luger dan Stubblefield Sistem pakar adalah program yang berbasiskan pengetahuan yang menyediakan solusi kepada masalah-masalah dalam bidang yang spesifik. B. MANFAAT SISTEM PAKAR Sistem pakar banyak memberikan kemampuan dan mafaat, diantaranya: Meningkatkan produktivitas, karena sistem pakar dapat bekerja lebih cepat daripada manusia Membuat seorang yang awam bekerja seperti layaknya seorang pakar Meningkatkan kualitas, dengan memberi nasehat yang konsisten dan mengurangi kesalahan Mampu menangkap pengetahuan dan kepakaran seseorang Dapat beroperasi di lingkungan yang berbahaya Memudahkan akses pengetahuan seorang pakar Andal, sistem pakar tidak pernah menjadi bosan dan kelelahan atau sakit Meningkatkan kapabilitas sistem komputer. Integrasi sistem pakar dengan sistem komputer lain membuat sistem lebih efektif dan mencakup lebih banyak aplikasi Mampu bekerja dengan informasi yang tidak lengkap atau tidak pasti. Sistem pakar dapat bekerja dengan informasi yang tidak lengkap. Misalnya: pengguna merespons beberapa pertanyaan di

a. b. c. d. e. f. g. h.
i.

pg. 1

Interpretasi: menghasilkan deskripsi situasi berdasarkan data-data masukan b. Dapat menjelaskan alasan-alasan dengan cara yang dapat dipahami d. Biaya yang sangat mahal untuk membuat dan memeliharanya b. Sistem pakar tidak 100% bernilai benar D. Sulit dikembangkan karena keterbatasan keahlian dan ketersediaan pakar c. Mudah dimodifikasi f. maka sistem pakar tersebut tetap akan memberikan solusi. debugging. Planning: merencanakan tindakan-tindakan yang akan dilakukan f. Kontrol: melakukan kontrol terhadap hasil interpretasi.program sistem pakar tersebut dengan jawaban “tidak tahu” atau “tidak yakin”. dan pengalaman. dan perbaikan kinerja j. diagnosis. monitoring. Monitoring: membandingkan hasil pengamatan dengan proses perencanaan g. Prediksi: memperkirakan akibat yang mungkin terjadi dari situasi yang ada c. 2 . Meningkatkan kemampuan untuk menyelesaikan masalah karena sistem pakar mengambil sumber pengetahuan dari banyak pakar C. Terbatas pada domain keahlian tertentu b. CIRI-CIRI SISTEM PAKAR Ciri-ciri sistem pakar: a. ada beberapa kekurangannya juga. KEKURANGAN SISTEM PAKAR Selain manfaat. Bisa digunakan sebagai media pelengkap dalam pelatihan. Instruction: melakukan intruksi diagnosis. debugging. Reparasi: melaksanakan rencana perbaikan i. membaca. Kepakaran (Expertise) Kepakaran merupakan suatu pengetahuan yang diperoleh dari pelatihan. yaitu: a. dituntun oleh dialog dengan pengguna E. AREA PERMASALAHAN APLIKASI SISTEM PAKAR Area permasalahan sistem pakar: a. Dapat memberikan penalaran untuk data-data yang tidak lengkap atau tidak pasti c. Bekerja berdasarkan kaidah/rule tertentu e. Debugging: menentukan penyelesaian dari suatu kesalahan sistem h. F. Pengguna pemula yang bekerja dengan sistem pakar akan menjadi lebih berpengalaman karena adanya fasilitas penjelasan yang berfungsi sebagai guru k. Kepakaran meliputi pengetahuan tentang: pg. Basis pengetahuan dan mekanisme inferensi terpisah g. KONSEP DASAR SISTEM PAKAR Konsep dasar sistem pakar meliputi enam hal. Keluarannya bersifat anjuran h. j. Desain: melakukan perancangan berdasarkan kendala-kendala yang diberikan e. dan perbaikan tingkah laku sistem. Dari kepakaran inilah seorang ahli dapat mengambil keputusan lebih cepat dan lebih baik dari yang bukan pakar. yaitu: 1. Diagnosis: menyimpulkan suatu keadaan berdasarkan gejala-gejala yang diberikan d. Sistem dapat mengaktifkan kaidah secara searah yang sesuai.

Strategi global untuk memecahkan permasalahan f. Semua pengetahuan yang dimiliki seorang pakar disimpan pada basis pengetahuan oleh sistem pakar. Pakar (Expert) Pakar adalah seseorang yang mempunyai pengetahuan. Teori-teori tentang bidang permasalahan tertentu c. Aturan hauristic yang harus dikerjakan dalam situasi tertentu e. Belajar dari pengalaman e. Inferensi pengetahuan d. dan metode khusus. Kemampuan Menjelaskan (Explanation Capability) Sistem pakar memberikan fasilitas lain yaitu kemampuannya untuk menjelaskan saran atau rekomendasi yang diberikannya. yaitu: a. Akuisis pengetahuan (dari pakar atau sumber lain) b. Memecahkan aturan-aturan g. Proses ini melibatkan empat kegiatan. Inferensi ditampilkan pada suatu komponen yang disebut mesin inferensi yang mencakup prosedur-prosedur mengenai pemecahan masalah. Fakta-fakta tentang bidang permasalahan tertentu b. Memecahkan permasalahan secara cepat dan tepat c. jika perlu harus mampu menyusun kembali pengetahuan-pengetahuan yang didapatkan. sebagai prosedur-prosedur pemecahan masalah. Aturan-aturan dan prosedur-prosedur menurut bidang permasalaha umumnya d. Penjelasan dilakukan dalam subsistem yang disebut subsistem penjelasan (explanation). Seorang pakar harus mempu menjelaskan dan mempelajari hal-hal baru yang berhubungan dengan topik permasalahan. 3 . serta mampu menerapkannya untuk memecahkan masalah atau memberi nasehat. Menstrukturisasi pengetahuan f. Pengetahuan tentang pengetahuan (meta knowledge) 2. 5. Pemindahan Kepakaran (Transferring Expertise) Tujuan dari sistem pakar adalah memindahkan kepakaran dari seorang pakar ke dalam komputer. Tugas mesin inferensi adalah mengambil kesimpulan berdasarkan basis pengetahuan yang dimilikinya. pengalaman. Pemindahan pengetahuan ke pengguna 4. Aturan-aturan (Rule) Pengetahuan disimpan dalam bentuk rule. Seorang pakar harus mampu melakukan kegiatan-kegiatan sebagai berikut: a. Representasi pengetahuan (pada komputer) c. kemudian ditransfer kepada orang lain yang bukan pakar. dan dapat memecahkan aturan-aturan serta menentukan relevensi kepakarannya. Menerangkan pemecahannya d. Perbedaan sistem pakar dengan sistem konvensional: Sistem Konvensional Sistem Pakar Informasi dan pemrosesannya biasanya Basis pengetahuan dipisahkan secara jelas digabungkan dalam satu program dengan mekanisme inferensi Program tidak membuat kesalahan (yang Program dapat berbuat kesalahan pg. Menentukan relevansi 3. 6. Inferensi (Inferencing) Inferensi adalah sebuah prosedur (program) yang mempunyai kemampuan dalam melakukan penalaran.a. Mengenali dan menformulasikan permasalahan b.

Lingkungan Pengembangan (development environment) Digunakan oleh pembuat sistem pakar untuk membangun komponen-komponennya dan memperkenalkan ke dalam knowledge base (basis pengetahuan). STRUKTUR SISTEM PAKAR Ada dua bagian penting dalam sistem pakar: a. layaknya berkonsultasi dengan seorang pakar. H. Project Manager adalah pemimpin dalam tim pengembangan sistem pakar e. b. IF  disebut evidence (fakta-fakta) atau premis. yaitu: a. RULE SEBAGAI TEKNIK REPRESENTASI PENGETAHUAN Setipa rule terdiri dari dua bagian. menambah dan mendistribusikan akses ke data numerik atau mendistribusikan akses ke pertimbangan dan informasi pengetahuan G. Knowledge Engineer (Perekayasa Pengetahuan) adalah orang yang mampu mendesain. menambah dan Menangkap. User adalah seorang yang menggunakan sistem pakar I. mengode domain pengetahuan agar dapat dimengerti oleh komputer d. Programmer adalah orang yang membuat program sistem pakar. b. dan menguji sebuah sistem pakar c. 4 . atau sebab pg. TIM PENGEMBANG SISTEM PAKAR a. Lingkungan Konsultasi (consultation environment) Digunakan oleh pengguna untuk berkonsultasi sehingga pengguna mendapatkan pengetahuan dan nasihat dari sistem pakar. membangun. Domain Expert adalah pengetahuan dan kemampuan seorang pakar untuk menyelesaikan masalah terbatas pada keahliannya saja.membuat kesalahan: pemrogram atau pengguna) Biasanya tidak menjelaskan mengapa data masukan diperlukan atau bagaimana output dihasilkan Perubahan program sangat menyulitkan Penjelasan-penjelasan bagian terpenting dari semua sistem pakar Perubahan dalam aturan-aturan mudah untuk dilakukan Sistem hanya bisa beroperasi setelah lengkap Sistem dapat beroperasi hanya dengan atau selesai aturan-aturan yang sedikit (sebagai prototipe awal) Eksekusi dilakukan langkah demi langkah Eksekusi dilakukan dengan menggunakan (algoritmik) hauristik dan logika pada seluruh basis pengetahuan Perlu informasi lengkap agar bisa beroperasi Dapat beroperasi dengan informasi yang tidak lengkap atau mengandung ketidakpastian Manipulasi efektif dari basis data yang besar Manipulasi efektif dari basis pengetahuan yang besar Menggunakan data Menggunakan pengetahuan Tujuan utama: efisiensi Tujuan utama: efektivitas Mudah berurusan dengan data kuantitatif Mudah berurusan dengan data kualitatif Menangkap.

Specificity: fakta yang spesifik (khusus) harus digunakan dalam memicu rule. maka sebuah fakta baru (bagian THEN) ditambahkan ke dalam database. Recency: fakta yang paling baru dalam memori kerja harus digunakan dalam memilih rule. Ketidakpastian data. Sistem pakar tidak bisa memilih semua rule sekaligus. TEKNIK INFERENSI FORWARD CHAINING DAN BACKWARD CHAINING 1. Proses berakhir jika Goal ditemukan atau tidak ada rule yang bisa membuktikan kebenaran dari subGoal atau Goal. Breadth-First Search (BFS) atau Best First Search. atau konklusif Sintaknya: IF evidence THEN Hipotesis Secara umum rule mempunyai evidence lebih dari satu yang dihubungkan oleh kata penghubung AND atau OR atau kombinasi AND OR. Proses pencocokan berhenti bila tidak ada rule yang bisa dieksekusi. Tetapi sebaiknya menghindari penggunaan AND dan OR secara sekaligus dalam satu rule. berasal dari berbagai sumber dan saling bertolak belakang. Cara mengatasi ketidakpastian pada sistem pakar berbasis rule: 1) Teori Probabilitas Probabilitas: pg. 5 . 1. kemudian hipotesis di bagian THEN ditempatkan di basis data sebagai fakta baru. Proses diawali dari Goal (yang berada dibagian THEN dari rule IF-THEN). THEN  disebut Hipotesis atau kesimpulan. Setiap kali pencocokan dimulai dari rule teratas. rule dieksekusi. 3. terjadi karena rule hanya mewakili pengamatan pakar saja. Jika tidak cocok. tidak dapat dipercaya sepenuhnya. Ketidakpastian dalam proses inferensi (rule). bersifat tipikal atau mirip dan bahasa penyajiannya kurang tepat. STRATEGI PENYELESAIAN KONFLIK Apabila ada suatu fakta yang memicu lebih dari satu rule. kemudian mencocokkan fakta-fakta tersebut dengan bagian IF dari rules IF-THEN.b. Operation Priority: pilih aturan dengan prioritas yang lebih tinggi. Bila ada fakta yang cocok dengan bagian IF. Setiap rule hanya boleh dieksekusi sekali saja. 2. 4. KETIDAKPASTIAN SISTEM PAKAR BERBASIS RULE Ada dua macam ketidakpastian pada sistem pakar berbasis rule. Backward Chaining Adalah metode inferensi yang bekerja mundur ke arah kondisi awal. No Duplication: tidak boleh memicu sebuah rule dua kali menggunakan fakta yang sama agar tidak ada fakta yang ditambahkan ke memori kerja lebih dari sekali. kemudian pencarian mulai dijalankan untuk mencocokkan apakah fakta-fakta yang ada cocok dengan premis-premis di bagian IF. 2. Forward Chaining Adalah teknik pencarian yang dimulai dengan fakta yang diketahui. 2. Artinya rule mana yang akan dipilih oleh sistem pakar. atau aksi atau akibat. simpan premis di bagian IF ke dalam stack sebagai subGoal. Metode pencarian yang digunakan adalah Depth-First Search (DFS). L. maka ada kemungkinan akan terjadi konflik dalam memori kerja. J. maka rule tersebut dieksekusi. Ia harus melakukan pemilihan dengan menggunakan cara-cara sebagai berikut: 1. disebabkan karena informasi atau data yang diperoleh tidak lengkap. K. Bila sebuah rule dieksekusi. Jika cocok.

2) Teorema Bayes Bentuk Teorema Bayes untuk Evidence Tunggal E dan Hipotesis Tunggal H adalah: Dengan: P(H|E) : probabilitas hipotesis H terjadi jika evidence E terjadi P(E|H) : probabilitas munculnya evidence E.Misalkan sebuah peristiwa E dapat terjadi sebanyak n kali di antara N peristiwa yang saling eksklusif (saling asing/terjadinya peristiwa yang satu mencegah terjadinya peristiwa yang lain) dan masing-masing terjadi dengan kesempatan yang sama. maka diperoleh: Contoh: P(Demam Berdarah|Bintik-bintik Merah di Wajah) = 0. Probabilitas bahwa kejadian A terjadi jika kejadian B terjadi terlebih dahulu disebut probabilitas bersyarat P(A|B). 6 . jika hipotesis H terjadi P(H) : probabilitas hipotesis H tanpa memandang evidence apapun P(E) : probabilitas evidence E tanpa memandang apapun pg. probabilitas bahwa kejadian B terjadi jika kejadian A terjadi terlebih dahulu adalah: Karena. P(B) menyatakan probabilitas kejadian B. maka diartikan peristiwa E pasti terjadi. maka diartika peristiwa E pasti tidak terjadi.75 Artinya: Jika seseorang terkena bintik-bintik merah di wajah kemungkinan probabilitas terjadi demam berdarah adalah 0.75 Jika dibuat dalam bentuk rule: Jika terkena bintik-bintik merah di wajah Then terkena Demam Berdarah = 0.75. dan probabilitas A dan B terjadi bersama-sama disimbolkan oleh P(A∩B) atau P(B∩A). sedangkan jika P(E)=1. P(A∩B)=P(B∩A). Maka probabilitas terjadinya peristiwa E adalah: Dengan batas-batas: 0 ≤ P(E) ≤ 1 Jika P(E)=0. dan besarnya adalah: menyatakan bukan peristiwa E. Apabila diperoleh: Atau berlaku hubungan: Probabilitas Bersyarat: Jika P(A) menyatakan probabilitas kejadian A. maka Dengan cara yang sama.

5 0. H3 jika semula hanya evidence E3 yang teramati? Probabilitas i=2 0.7 Misal. H2 jika semula hanya evidence E3 yang teramati? 3. pg. kita hanya mengamati evidence E3. P(Tipus) = 0.35 P(E1|Hi) 0.Contoh: Diketahui. H1 jika semula hanya evidence E3 yang teramati? 2.3 0.7 0.3.4 0. P(Muntah) = 0. 7 .6 0. P(Muntah|Tipus) = 0.45. hitung probabilitas terjadinya: 1.25 0.133 Bentuk Teorema Bayes untuk Evidence Lebih Dari 1 dan Hipotesis Tunggal adalah: Bentuk Teorema Bayes untuk Evidence Tunggal E dan Hipotesis Lebih dari 1 adalah: Bentuk Teorema Bayes untuk Evidence Lebih dari 1 dan Hipotesis Lebih dari 1 adalah: Contoh: Diketahui: Hipotesis i=1 i=2 P(Hi) 0.8 P(E2|Hi) 0.9 3) Certainty Factor (Faktor Kepastian) Certainty Factor digunakan untuk menggambarkan tingkat keyakinan pakar terhadap masalah yang sedang dihadapi.9 0 P(E3|Hi) 0. Tentukan Probabilitas dari P(Tipus|Muntah) =? Jawab: P(Tipus|Muntah) = 0.2.

2.Ada dua cara untuk mendapatkan tingkat keyakinan dari sebuah rule. dan jika P(H) ≠ 1 maka MB(H.E) = 1  jika P(H) = 0.E) – MD(H.E) Contoh: Seandainya seorang terkena penyakit Demam Berdarah Probabilitasnya adalah 0.E) = measure of belief (ukuran keyakinan) terhadap hipotesis H.E) Ket: CF(rule) = Faktor Kepastian Rule MB(H.4375 2.E) = 1 jika P(H) = 1. Dengan cara mewancarai seorang pakar pg. 8 . Dengan Demam Berdarah sebagai Hipotesis dan Suhu Badan Tinggi sebagai Evidence.H Shortliffe dan B.2 P(Demam Berdarah|Suhu Badan Tinggi) = 35/80 = 0. Metode ‘Net Belief’ yang diusulkan oleh E. yaitu: 1. jika diberikan evidence E (antara 0 dan 1) MD(H.G Buchanan CF(rule) = MB(H.E) MD(H. Jawab: P(Demam Berdarah) = 0. Tentukan faktor kepastian bahawa Demam Berdarah gejala awalnya terkena suhu badan tinggi. jika diberikan evidence E (antara 0 dan 1) P(H) = probabilitas kebenaran hipotesis H P(H|E) = probabilitas bahwa H benar karena fakta E MB(H. Dan di desa Banjar terdapat 80 penduduk terkena Demam Berdarah dengan 35 orang gejalanya suhu badan tinggi.E) = measure of disbelief (ukuran ketidakpercayaan) terhadap hipotesis H. dan jika P(H) ≠ 0 maka MD(H.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->