SISTEM PAKAR Definisi Sistem berbasis komputer yang menggunakan

SISTEM PAKAR

Definisi � Sistem berbasis komputer yang menggunakan pengetahuan, fakta, dan teknik penalaran dalam pemecahan masalah yang biasanya hanya dapat dipecahkan oleh seorang pakar dalam bidang tersebut. Selanjutnya di memodelkan kemampuan tersebut untuk menyelesaikan masalah seperti layaknya seorang pakar (human expert).

Ruang Lingkup � � Sistem pakar dibuat pada wilayah pengetahuan tertentu untuk kepakaran tertentu yang mendekati kemampuan manuasia disuatu bidang. Sistem pakar berusaha mencari solusi yang memuaskan sebagaimana yang dilakukan seorang pakar. Selain itu sistem pakar juga dapat memberikan penjelasan terhadap langkahyang diambil dan memberikan alasan atas saran atau kesimpulan yang ditemukan.

Kegunaan � Sistem pakar biasanya digunakan untuk mendukung pemecahan masalah, seperti: � Pembuatan keputusan menentukan jarak terpendek � Pemanduan pengetahuan pemandu wisata dimuseum � Pembuatan desain membuat desain produk � Perencanaan, perkiraan, pengaturan PPIC � Pengendalian kualitas � Diagnosis mendiagnosis penyakit � Perumusan ilmuwan pemula � Penjelasan pendidikan � Pemberian nasehat konsultan � Pelatihan trainer

Pemakai Sistem Pakar � Sistem pakar dapat digunakan oleh: � Orang awam bukan pakar yang dapat digunakan untuk meningkatkan kemampuan mereka dalam memecahkan masalah. � Pakar sebagai asisten yang berpengetahuan. � Memperbanyak atau menyebarkan sumber pengetahuan yang semakin langka.

Ciri-ciri sistem pakar � � � � Terbatas pada bidang yang spesifik. Dapat memberikan penalaran untuk data-data yang tidak lengkap atau tidak pasti. Dapat mengungkapkan rangkaian alasan yang diberikannya dengan cara yang dapat dipahami. Berdasarkan pada rule atau kaidah tertentu Dirancang untuk dapat dikembangkan secara bertahap. Outputnya bersifat nasehat atau anjuran. Outputnya bergantung dari dialog dengan user. Knowledge base dan inference engine terpisah.

Arsitektur Sistem Pakar � Komponen utama: � Antar muka pengguna (user interface) Perangkat lunak yang menyediakan media komunikasi antara pengguna dengan sistem � Basis data sistem pakar (expert system database) � Fasilitas akuisisi pengetahuan (knowledge aquitition facility) � Fasilitas Penjelasan � Mekanisme inferensi (Inference Mechanism)

Diagram Arsitektur Sistem Pakar Basis Pengetahuan (aturan) Mesin (Agenda) Memori Kerja (Fakta) Fasilitas Akuisisi Pengetahuan Fasilitas Penjelasan Antar Muka Pengguna

Antar muka pengguna (user interface) Perangkat lunak yang menyediakan media komunikasi antara pengguna dengan sistem

Basis data sistem pakar � � Berisikan pengetahuan setingkat pakar pada subyek tertentu. Berisikan pengetahuan untuk memahami, merumuskan dan menyelesaikan masalah. Basis data terdiri dari dua elemen dasar: � Fakta, situasi masalah dan teori yang terkait. � Heurestik khusus atau rules yang langsung menggunakan pengetahuan untuk menyelesaikan masalah khusus. � Pengetahuan ini dapat berasal dari pakar, jurnal, majalah dan sumber pengetahuan lain.

Fasilitas Akuisisi Pengetahuan � � Perangkat lunak yang menyediakan dialog antara pakar dengan sistem. Fasilitas akuisisi ini untuk memasukan fakta-fakta dan kaidah sesuai dengan perkembangan ilmu. Meliputi proses pengumpulan, pemindahan dan perubahan dari kemampuan pemecahan masalah seorang pakar atau sumber pengetahuan terdokumentasi (buku dll) ke dalam program komputer, yang bertujuan untuk memperbaiki dan atau mengembangkan basis pengetahuan (knowledge base).

Mekanisme Inferensi � Perangkat lunak yang melakukan penalaran dengan menggunakan pengetahuan yang ada untuk menghasilkan suatu kesimpulan atau hasil akhir. Dalam komponen ini dilakukan pemodelan proses berfikir manusia.

Fasilitas Penjelasan � Memberikan penjelasan kepada pengguna mengapa komputer meminta suatu informasi tertentu dari pengguna dan dasar apa yang digunakan komputer sehingga dapat menyimpulkan suatu kondisi.

Orang yang terlibat dalam sistem pakar � � Pakar (Domain expert): seorang ahli yang dapat menyelesaikan suatu masalah yang sedang diusahakan untuk dipecahkan oleh sistem. Pembangun pengetahuan (Knowledge engineer): seorang yang menerjemahkan pengetahuan para pakar dalam bentuk deklaratif sehingga dapat digunakan oleh sistem pakar. Pengguna (User): seseorang yang berkomunikasi dengan sistem untuk mendapatkan saran yang disediakan oleh pakar. Pembangun sistem (System engineer): seseorang yang membuat antarmuka pengguna, merancang bentuk basis pengetahuan secara deklaratif dan mengimplementasikan mesin inferensi.

Kategori masalah sistem pakar � Masalah-masalah yang dapat diselesaikan dengan sistem pakar antara lain: � Interpretasi: membuat kesimpulan atau deskripsi dari sekumpulan data mentah. � Prediksi: memproyeksikan akibat-akibat yang dimungkinkan dari situasi-situasi tertentu. � Diagnosis: menentukan sebab malfungsi dalam situasi komplek yang didasarkan pada gejala-gejala teramati. � Desain: menentukan konfigurasi komponen-komponen sistem yang cocok dengan tujuan-tujuan kinerja tertentu yang memenuhi kendala-kendala tertentu.

� Masalah-masalah yang dapat diselesaikan dengan sistem pakar antara lain: � Perencanaan: merencanakan serangkain tindakan yang akan dapat mencapai sejumlah tujuan dengan kondisi awal tertentu. � Debugging dan repair: menentukan dan menginterpretasikan cara-cara untuk mengatasi malfungsi. � Intruksi: mendeteksi dan mengoreksi defesiensi dalam pemahaman domain subyek

� Masalah-masalah yang dapat diselesaikan dengan sistem pakar antara lain: � Pengendalian: mengatur tingkah laku suatu environment yang komplek. � Selection: mengidentifikasi pilihan terbaik dari sekumpulan (list) kemungkinan. � Simulation: pemodelan interaksi antara komponen sistem � Monitoring: membandingkan hasil pengamatan dengan kondisi yang diharapkan.

Representasi Pengetahuan

Definisi

Macam Model Representasi Pengetahuan 1. 2. 3. 4. 5. Logika (Logic) Jaringan Semantik (Semantic Nets) Obyek-Atribute-Value (OAV) Bingkai (Frame) Kaidah Produksi (Production Rule)

I. Logika (Logic) � Pengertian • Represtasi pengetahuan logika dalam melakukan penalaran, komputer menggunakan proses deduktif atau induktif kedalam bentuk yang sesuai dengan manipulasi komputer (logika simbolik, matematik). • Logika komputasional ada 2, logika proposional (kalkulus) dan logika predikat.

Macam Logika Komputasional Logika Proposional Merupakan suatu pernyataan/statement yang menyatakan benar (true) atau salah (false). 1. Operator logika dan simbol

� Contoh operasi logika

2. Logika Predikat

� Contoh logika predikat

II. Jaringan Semantik (Sementic Nets)

� Contoh jaringan semantik Contoh diatas merepresentasikan bahwa semua komputer merupakan alat elektronik, semua PC merupakan komputer dan semua komputer memiliki monitor.

III. Object – Atribute – Value (OAV) � Pengertian

� Contoh

IV. Bingkai (Frame) � Pengertian Bingkai digunakan untuk merepresentasikan pengetahuan deklaratif. Memuat deskripsi tentang obyek dengan menggunakan tabulasi informasi yang berhubungan dengan obyek.

Contoh representasi pengetahuan bingkai

V. Kaidah Produksi Pengertian Kaidah yang menyediakan cara formal untuk merepresentasikan rekomendasi, arahan atau strategi. Kaidah produksi dituliskan dalam bentuk jika maka (if then). Menghubungkan anteseden dangan konsekuensi yang diakibatkannya. �

� Contoh beberapa struktur kaidah if then • Macam kaidah produksi 1. Kaidah Derajat pertama (first order rule) 2. Kaidah meta (meta rule)

1. Kaidah derajat pertama Kaidah sederhana yang terdiri dari anteseden dan konsekuen.

2. Kaidah Meta Kaidah yang anteseden atau konsekuennya mengandung informasi tentang kaidah lainnya.

Contoh kaidah meta (meta rule)

Mesin Inferensi � Definisi � Proses untuk menghasilkan informasi dari fakta yang diketahui atau diasumsikan. Jadi merupakan konklusi logis atau implikasi berdasarkan informasi yang tersedia. � Inferensi dalam sistem pakar, prosesnya dilakukan dalam suatu modul yang disebut Mesin Inferensi (Inference Enginee). � Ketika Representasi Pengetahuan (RP) pada bagian knowledge base sudah lengkap atau pada level yang cukup akurat, maka RP tersebut telah siap digunakan.

Dua metode inferensi dalam sistem pakar � Runut Maju (Forward Chaining) � Menggunakan kumpulan aturan kondisi – aksi. � Dalam metode ini, data digunakan untuk menentukan aturan mana yang akan dijalankan. Mungkin proses menambahkan data ke memori kerja. Proses diulang sampai ditemukan suatu hasil. � Berikut menunjukan gambar cara kerja metode inferensi runut maju

� � Metode inferensi runut maju, cocok digunakan untuk menangani masalah pengendalian (controlling), dan peramalan (prediction) Contoh metode inferensi runut maju: � JIKA Penderita terkena penyakit epilepsi Ideopatik dengan CF (Certain Factor) antara 0, 4 s/d 0, 6. � MAKA Berikan obat carbamazepine

� Metode Runut Balik (Backward Chaining) � Metode penalaran kebalikan dari runut maju. � Penalaran dimulai dengan tujuan merunut balik ke jalur yang akan mengarahkan ke tujuan tersebut � Berikut gambar proses penalaran metode runut balik.

� � Metode runut balik, merupaka cara yang efisien untuk memecahkan masalah yang dimodelkan sebagai masalah pemilihan struktur. Tujuannya mengambil pilihan terbaik dari banyak kemungkinan. Metode runut balik cocok diterapkan untuk memecahkan masalah diagnosis.

� Contoh penalaran metode runut balik: � Aturan 1: Mengalami epilepsi ideopatik lokal dengan certainty factor 0, 63. �JIKA tipe sawan parsial sederhana �DANEEG menunjukan adanya fokus �DANPenyebabnya tidak diketahui � Aturan 2: Mengalami tipe sawan parsial sederhana dengan certainty factor 0, 63. �JIKA �ATAU � Mengalami motorik fokal menjalar atau tanpa menjalar Gerakan versif, dengan kepala dan leher menengok ke satu sisi Gejala sensorik fokal menjalar atau sensorik khusus berupa halusinasi sederhana Untuk mencari tujuan, yakni mengidentifikasi penyakit epilepsi ideopatik, sistem akan mengambil informasi dari subgoal yang paling rendah tingkatannya. Selanjutnya sistem akan memberikan pertanyaan mengenai gejala-gejala yang pada akhirnya akan menentukan jenis penyakitnya.

� Contoh penggunaan Inferensi dengan Faktor Kepastian (Certainty Factor) Latar belakang � Permasalahan sering jawaban yang ditemukan tidak memiliki kepastian penuh (100%). � Sitem pakar dapat bekerja dalam kondisi masalah ketidakpastian. � Sejumlah teori yang digunakan menyelesaikan masalah ketidakpastian: Probabilitas klasik Probabilitas bayes Bayesian network Teori Hartley Himpunan klasik Teori Shannon Probabilitas Teori Fuzzy Zadeh Faktor Kepastian

� Pengertian Faktor Kepastian � CF pertama kali dikeluarkan oleh Shortlife Buchanan dalam pembuatan MYCHIN. � Merupakan nilai parameter klinis yang diberikan untuk menunjukan besarnya kepercayaan.

Kombinasi Aturan

Contoh Kombinasi Evidence (E) Model Seri

Contoh Kombinasi Evidence (E) Model Paralel

� Selamat belajar