Sistem Pakar

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

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

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

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

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

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

8 P(E2|Hi) 0. kita hanya mengamati evidence E3. hitung probabilitas terjadinya: 1.7 0. H2 jika semula hanya evidence E3 yang teramati? 3. pg.45.9 3) Certainty Factor (Faktor Kepastian) Certainty Factor digunakan untuk menggambarkan tingkat keyakinan pakar terhadap masalah yang sedang dihadapi. H1 jika semula hanya evidence E3 yang teramati? 2. Tentukan Probabilitas dari P(Tipus|Muntah) =? Jawab: P(Tipus|Muntah) = 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) 0.35 P(E1|Hi) 0.3 0. 7 .Contoh: Diketahui.6 0.7 Misal. P(Tipus) = 0.5 0.3. P(Muntah) = 0. P(Muntah|Tipus) = 0.25 0. H3 jika semula hanya evidence E3 yang teramati? Probabilitas i=2 0.9 0 P(E3|Hi) 0.2.4 0.

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

Sign up to vote on this title
UsefulNot useful