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

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

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

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

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

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

kita hanya mengamati evidence E3. H3 jika semula hanya evidence E3 yang teramati? Probabilitas i=2 0.35 P(E1|Hi) 0.3 0. 7 .5 0.6 0. P(Tipus) = 0.3. H2 jika semula hanya evidence E3 yang teramati? 3. P(Muntah) = 0. hitung probabilitas terjadinya: 1. Tentukan Probabilitas dari P(Tipus|Muntah) =? Jawab: P(Tipus|Muntah) = 0. pg.25 0.2.7 0.Contoh: Diketahui.4 0.8 P(E2|Hi) 0.45.9 0 P(E3|Hi) 0.7 Misal. P(Muntah|Tipus) = 0.9 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? 2.133 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.

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

Sign up to vote on this title
UsefulNot useful