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

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

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

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

b. THEN disebut Hipotesis atau kesimpulan, atau aksi atau akibat, 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. Tetapi sebaiknya menghindari penggunaan AND dan OR secara sekaligus dalam satu rule. J. TEKNIK INFERENSI FORWARD CHAINING DAN BACKWARD CHAINING 1. Forward Chaining Adalah teknik pencarian yang dimulai dengan fakta yang diketahui, kemudian mencocokkan fakta-fakta tersebut dengan bagian IF dari rules IF-THEN. Bila ada fakta yang cocok dengan bagian IF, maka rule tersebut dieksekusi. Bila sebuah rule dieksekusi, maka sebuah fakta baru (bagian THEN) ditambahkan ke dalam database. Setiap kali pencocokan dimulai dari rule teratas. Setiap rule hanya boleh dieksekusi sekali saja. Proses pencocokan berhenti bila tidak ada rule yang bisa dieksekusi. Metode pencarian yang digunakan adalah Depth-First Search (DFS), Breadth-First Search (BFS) atau Best First Search. 2. Backward Chaining Adalah metode inferensi yang bekerja mundur ke arah kondisi awal. Proses diawali dari Goal (yang berada dibagian THEN dari rule IF-THEN), kemudian pencarian mulai dijalankan untuk mencocokkan apakah fakta-fakta yang ada cocok dengan premis-premis di bagian IF. Jika cocok, rule dieksekusi, kemudian hipotesis di bagian THEN ditempatkan di basis data sebagai fakta baru. Jika tidak cocok, simpan premis di bagian IF ke dalam stack sebagai subGoal. Proses berakhir jika Goal ditemukan atau tidak ada rule yang bisa membuktikan kebenaran dari subGoal atau Goal.

K. STRATEGI PENYELESAIAN KONFLIK Apabila ada suatu fakta yang memicu lebih dari satu rule, maka ada kemungkinan akan terjadi konflik dalam memori kerja. Artinya rule mana yang akan dipilih oleh sistem pakar. Sistem pakar tidak bisa memilih semua rule sekaligus. 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. 2. Recency: fakta yang paling baru dalam memori kerja harus digunakan dalam memilih rule. 3. Specificity: fakta yang spesifik (khusus) harus digunakan dalam memicu rule. 4. Operation Priority: pilih aturan dengan prioritas yang lebih tinggi. L. KETIDAKPASTIAN SISTEM PAKAR BERBASIS RULE Ada dua macam ketidakpastian pada sistem pakar berbasis rule. 1. Ketidakpastian data, disebabkan karena informasi atau data yang diperoleh tidak lengkap, tidak dapat dipercaya sepenuhnya, berasal dari berbagai sumber dan saling bertolak belakang, bersifat tipikal atau mirip dan bahasa penyajiannya kurang tepat. 2. Ketidakpastian dalam proses inferensi (rule), terjadi karena rule hanya mewakili pengamatan pakar saja. Cara mengatasi ketidakpastian pada sistem pakar berbasis rule: 1) Teori Probabilitas Probabilitas: pg. 5

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 probabilitas terjadinya peristiwa E adalah:

Dengan batas-batas: 0 P(E) 1 Jika P(E)=0, maka diartika peristiwa E pasti tidak terjadi, sedangkan jika P(E)=1, maka diartikan peristiwa E pasti terjadi. Apabila diperoleh: Atau berlaku hubungan: Probabilitas Bersyarat: Jika P(A) menyatakan probabilitas kejadian A, P(B) menyatakan probabilitas kejadian B, dan probabilitas A dan B terjadi bersama-sama disimbolkan oleh P(AB) atau P(BA). Probabilitas bahwa kejadian A terjadi jika kejadian B terjadi terlebih dahulu disebut probabilitas bersyarat P(A|B), dan besarnya adalah: menyatakan bukan peristiwa E, maka

Dengan cara yang sama, probabilitas bahwa kejadian B terjadi jika kejadian A terjadi terlebih dahulu adalah:

Karena, P(AB)=P(BA), maka diperoleh:

Contoh: P(Demam Berdarah|Bintik-bintik Merah di Wajah) = 0,75 Jika dibuat dalam bentuk rule: Jika terkena bintik-bintik merah di wajah Then terkena Demam Berdarah = 0,75 Artinya: Jika seseorang terkena bintik-bintik merah di wajah kemungkinan probabilitas terjadi demam berdarah adalah 0,75. 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, jika hipotesis H terjadi P(H) : probabilitas hipotesis H tanpa memandang evidence apapun P(E) : probabilitas evidence E tanpa memandang apapun pg. 6

Contoh: Diketahui, P(Muntah) = 0,45, P(Tipus) = 0,3; P(Muntah|Tipus) = 0,2. 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) 0,4 0,35 P(E1|Hi) 0,3 0,8 P(E2|Hi) 0,9 0 P(E3|Hi) 0,6 0,7 Misal, kita hanya mengamati evidence E3, hitung probabilitas terjadinya: 1. H1 jika semula hanya evidence E3 yang teramati? 2. H2 jika semula hanya evidence E3 yang teramati? 3. H3 jika semula hanya evidence E3 yang teramati? Probabilitas i=2 0,25 0,5 0,7 0,9

3) Certainty Factor (Faktor Kepastian) Certainty Factor digunakan untuk menggambarkan tingkat keyakinan pakar terhadap masalah yang sedang dihadapi.

pg. 7

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

2. Dengan cara mewancarai seorang pakar

pg. 8