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

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

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

dan menguji sebuah sistem pakar c. H. menambah dan mendistribusikan akses ke data numerik atau mendistribusikan akses ke pertimbangan dan informasi pengetahuan G. b. Lingkungan Konsultasi (consultation environment) Digunakan oleh pengguna untuk berkonsultasi sehingga pengguna mendapatkan pengetahuan dan nasihat dari sistem pakar. 4 . User adalah seorang yang menggunakan sistem pakar I. menambah dan Menangkap. Knowledge Engineer (Perekayasa Pengetahuan) adalah orang yang mampu mendesain. Lingkungan Pengembangan (development environment) Digunakan oleh pembuat sistem pakar untuk membangun komponen-komponennya dan memperkenalkan ke dalam knowledge base (basis pengetahuan). atau sebab pg. membangun. Project Manager adalah pemimpin dalam tim pengembangan sistem pakar e. b. STRUKTUR SISTEM PAKAR Ada dua bagian penting dalam sistem pakar: a. RULE SEBAGAI TEKNIK REPRESENTASI PENGETAHUAN Setipa rule terdiri dari dua bagian. IF  disebut evidence (fakta-fakta) atau premis. mengode domain pengetahuan agar dapat dimengerti oleh komputer d. Programmer adalah orang yang membuat program sistem pakar. Domain Expert adalah pengetahuan dan kemampuan seorang pakar untuk menyelesaikan masalah terbatas pada keahliannya saja. layaknya berkonsultasi dengan seorang pakar.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. yaitu: a. TIM PENGEMBANG SISTEM PAKAR a.

berasal dari berbagai sumber dan saling bertolak belakang. Specificity: fakta yang spesifik (khusus) harus digunakan dalam memicu rule. Operation Priority: pilih aturan dengan prioritas yang lebih tinggi. maka ada kemungkinan akan terjadi konflik dalam memori kerja. Sistem pakar tidak bisa memilih semua rule sekaligus. Cara mengatasi ketidakpastian pada sistem pakar berbasis rule: 1) Teori Probabilitas Probabilitas: pg. KETIDAKPASTIAN SISTEM PAKAR BERBASIS RULE Ada dua macam ketidakpastian pada sistem pakar berbasis rule. Ia harus melakukan pemilihan dengan menggunakan cara-cara sebagai berikut: 1. Metode pencarian yang digunakan adalah Depth-First Search (DFS). 5 . Recency: fakta yang paling baru dalam memori kerja harus digunakan dalam memilih rule. Ketidakpastian dalam proses inferensi (rule). atau aksi atau akibat. Bila ada fakta yang cocok dengan bagian IF. bersifat tipikal atau mirip dan bahasa penyajiannya kurang tepat. Ketidakpastian data. L. kemudian mencocokkan fakta-fakta tersebut dengan bagian IF dari rules IF-THEN. Bila sebuah rule dieksekusi. Breadth-First Search (BFS) atau Best First Search. maka rule tersebut dieksekusi. rule dieksekusi. 4. 1. K. 2. J. Proses berakhir jika Goal ditemukan atau tidak ada rule yang bisa membuktikan kebenaran dari subGoal atau Goal. 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. 3. Tetapi sebaiknya menghindari penggunaan AND dan OR secara sekaligus dalam satu rule. Setiap kali pencocokan dimulai dari rule teratas. 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. Proses pencocokan berhenti bila tidak ada rule yang bisa dieksekusi. terjadi karena rule hanya mewakili pengamatan pakar saja. Jika tidak cocok. maka sebuah fakta baru (bagian THEN) ditambahkan ke dalam database. Forward Chaining Adalah teknik pencarian yang dimulai dengan fakta yang diketahui. Jika cocok. kemudian pencarian mulai dijalankan untuk mencocokkan apakah fakta-fakta yang ada cocok dengan premis-premis di bagian IF. STRATEGI PENYELESAIAN KONFLIK Apabila ada suatu fakta yang memicu lebih dari satu rule. tidak dapat dipercaya sepenuhnya. TEKNIK INFERENSI FORWARD CHAINING DAN BACKWARD CHAINING 1. Backward Chaining Adalah metode inferensi yang bekerja mundur ke arah kondisi awal. kemudian hipotesis di bagian THEN ditempatkan di basis data sebagai fakta baru. simpan premis di bagian IF ke dalam stack sebagai subGoal. THEN  disebut Hipotesis atau kesimpulan. Setiap rule hanya boleh dieksekusi sekali saja. disebabkan karena informasi atau data yang diperoleh tidak lengkap. 2. Artinya rule mana yang akan dipilih oleh sistem pakar. 2. Proses diawali dari Goal (yang berada dibagian THEN dari rule IF-THEN).b.

probabilitas bahwa kejadian B terjadi jika kejadian A terjadi terlebih dahulu adalah: Karena. maka diartika peristiwa E pasti tidak terjadi. maka diartikan peristiwa E pasti terjadi. 6 . sedangkan jika P(E)=1. 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. P(B) menyatakan probabilitas kejadian B.75. Apabila diperoleh: Atau berlaku hubungan: Probabilitas Bersyarat: Jika P(A) menyatakan probabilitas kejadian A. jika hipotesis H terjadi P(H) : probabilitas hipotesis H tanpa memandang evidence apapun P(E) : probabilitas evidence E tanpa memandang apapun pg.75 Jika dibuat dalam bentuk rule: Jika terkena bintik-bintik merah di wajah Then terkena Demam Berdarah = 0. dan probabilitas A dan B terjadi bersama-sama disimbolkan oleh P(A∩B) atau P(B∩A). Probabilitas bahwa kejadian A terjadi jika kejadian B terjadi terlebih dahulu disebut probabilitas bersyarat P(A|B). Maka probabilitas terjadinya peristiwa E adalah: Dengan batas-batas: 0 ≤ P(E) ≤ 1 Jika P(E)=0. maka Dengan cara yang sama.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) = 0.75 Artinya: Jika seseorang terkena bintik-bintik merah di wajah kemungkinan probabilitas terjadi demam berdarah adalah 0. dan besarnya adalah: menyatakan bukan peristiwa E. P(A∩B)=P(B∩A).

7 .7 Misal. pg.35 P(E1|Hi) 0.6 0. P(Muntah) = 0.2.3 0.45.9 3) Certainty Factor (Faktor Kepastian) Certainty Factor digunakan untuk menggambarkan tingkat keyakinan pakar terhadap masalah yang sedang dihadapi. P(Tipus) = 0. H1 jika semula hanya evidence E3 yang teramati? 2. kita hanya mengamati evidence E3.25 0. Tentukan Probabilitas dari P(Tipus|Muntah) =? Jawab: P(Tipus|Muntah) = 0. H2 jika semula hanya evidence E3 yang teramati? 3.Contoh: Diketahui. H3 jika semula hanya evidence E3 yang teramati? Probabilitas i=2 0. hitung probabilitas terjadinya: 1.3.7 0.9 0 P(E3|Hi) 0.8 P(E2|Hi) 0.5 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) 0.4 0. P(Muntah|Tipus) = 0.

2.4375 2. yaitu: 1. jika diberikan evidence E (antara 0 dan 1) MD(H. Metode ‘Net Belief’ yang diusulkan oleh E. 8 .E) = measure of belief (ukuran keyakinan) terhadap hipotesis H.E) Ket: CF(rule) = Faktor Kepastian Rule MB(H. Dan di desa Banjar terdapat 80 penduduk terkena Demam Berdarah dengan 35 orang gejalanya suhu badan tinggi.2 P(Demam Berdarah|Suhu Badan Tinggi) = 35/80 = 0.E) = 1 jika P(H) = 1.E) – MD(H.H Shortliffe dan B. dan jika P(H) ≠ 0 maka MD(H. Dengan Demam Berdarah sebagai Hipotesis dan Suhu Badan Tinggi sebagai Evidence. Jawab: P(Demam Berdarah) = 0.E) Contoh: Seandainya seorang terkena penyakit Demam Berdarah Probabilitasnya adalah 0.E) = 1  jika P(H) = 0. 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.G Buchanan CF(rule) = MB(H.E) MD(H. dan jika P(H) ≠ 1 maka MB(H.Ada dua cara untuk mendapatkan tingkat keyakinan dari sebuah rule.E) = measure of disbelief (ukuran ketidakpercayaan) terhadap hipotesis H. Dengan cara mewancarai seorang pakar pg. Tentukan faktor kepastian bahawa Demam Berdarah gejala awalnya terkena suhu badan tinggi.