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

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

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

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

75 Jika dibuat dalam bentuk rule: Jika terkena bintik-bintik merah di wajah Then terkena Demam Berdarah = 0. maka diartika peristiwa E pasti tidak terjadi. dan besarnya adalah: menyatakan bukan peristiwa E. maka Dengan cara yang sama. dan probabilitas A dan B terjadi bersama-sama disimbolkan oleh P(A∩B) atau P(B∩A).75.75 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. Apabila diperoleh: Atau berlaku hubungan: Probabilitas Bersyarat: Jika P(A) menyatakan probabilitas kejadian A. P(B) menyatakan probabilitas kejadian B. maka diperoleh: Contoh: P(Demam Berdarah|Bintik-bintik Merah di Wajah) = 0. 6 . jika hipotesis H terjadi P(H) : probabilitas hipotesis H tanpa memandang evidence apapun P(E) : probabilitas evidence E tanpa memandang apapun pg. P(A∩B)=P(B∩A). maka diartikan peristiwa E pasti terjadi. sedangkan jika P(E)=1. probabilitas bahwa kejadian B terjadi jika kejadian A terjadi terlebih dahulu adalah: Karena. 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. Maka probabilitas terjadinya peristiwa E adalah: Dengan batas-batas: 0 ≤ P(E) ≤ 1 Jika P(E)=0.

kita hanya mengamati evidence E3.45.5 0. pg.3. 7 . P(Tipus) = 0.25 0.9 0 P(E3|Hi) 0.35 P(E1|Hi) 0.7 Misal. H2 jika semula hanya evidence E3 yang teramati? 3.4 0.9 3) Certainty Factor (Faktor Kepastian) Certainty Factor digunakan untuk menggambarkan tingkat keyakinan pakar terhadap masalah yang sedang dihadapi.2. hitung probabilitas terjadinya: 1.7 0.Contoh: Diketahui.6 0. H1 jika semula hanya evidence E3 yang teramati? 2. P(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. H3 jika semula hanya evidence E3 yang teramati? Probabilitas i=2 0.3 0. Tentukan Probabilitas dari P(Tipus|Muntah) =? Jawab: P(Tipus|Muntah) = 0.8 P(E2|Hi) 0. P(Muntah|Tipus) = 0.

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

Sign up to vote on this title
UsefulNot useful