SISTEM PAKAR Expert System Sistem Pakar merupakan kumpulan

SISTEM PAKAR (Expert System) • Sistem Pakar merupakan kumpulan pengetahuan (basis pengetahuan) dari beberapa pakan yang digunakan untuk memecahkan suatu masalah • Pada sistem pakar digunakan representasi pengetahuan berupa RULE (IF. . THEN), sehingga suatu sistem pakar merupakan kumpulan dari beberapa RULE

Beberapa aplikasi sistem pakar : • • • Interpreting and identifying Instructing and training Predicting Controlling Diagnosing Monitoring Designing Planning Debugging and testing

Keuntungan Sistem Pakar • Memungkinkan orang awam mengerjakan pekerjaan para ahli • Bisa melakukan proses secara berulang secara otomatis • Menyimpan pengetahuan dan keahlian para pakar (khususnya untuk pengetahuan yg langka) • Mampu mengambil dan melestarikan keahlian pakar • Memasukkan faktor ketidakpastian • Menghemat waktu dalam mengambil keputusan

Kelemahan sistem pakar • Sistem pakar biasanya dipakai hanya pada bidang tertentu sesuai dengan kepakaran • Penambahan pengetahuan baru bisa mengubah program secara keseluruhan • Kepastian dalam sistem pakar hanya berupa pendekatan saja.

Sistem Pakar dapat diorganisasikan menjadi • Knowlegde base : berisi rule/kaidah pemecahan masalah, prosedur dan data intrinsik yang berhubungan dengan problem domain • Working memory : Tempat menyimpan data dari masalah yang akan dikerjakan • Inference engine : Mekanisme yang mencari kesimpulan dengan cara mencocokkan pengetahuan di knowlegde base dan terhadap masalah yang muncul

A. Pemodelan Basis Pengetahuan (Knowledge Base) • • • Jaringan Semantik Frame Script Rule If-then Logika Predikat

Jaringan Semantik • Merupakan gambaran pengetahuan yang dimodelkan secara grafis yang menunjukkan hubungan antar obyek • Obyek digambarkan dengan lingkaran, obyek bisa berupa peristiwa ataupun fakta. Hubungan antar obyek dinyatakan dengan garis: Contoh relasi obyek: Mesin dibuat di toko, mesin menghasilkan gear Mesin men dibuat Toko gha silk an Gear

Semantic Network

Pohon Keputusan • Merupakan jaringan semantik khusus yang penalarannya dimulai dari atas puncak A: Apakah anda sakit B: Apakah sakitnya di tulang C: Jika sehat apakah sering cek kesehatan A B D C E F D: Jika di gigi berarti berlubang E: Jika di kulit atau bagian lain hubungi dokter F: Hati-hati penyakit dalam

Frames • Berupa tabel dengan tiap slot bisa berisi fakta, obyek, kelas dari obyek, situasi dan kejadian • Urutan proses teratur berdasarkan kolom Contoh : - Tabel pencocokan/Keputusan - Tabel kesamaan - Tabel perbedaan

Contoh Frame

Script • Representasi pengetahuan yang berupa skenario atau urutan kejadian • Komponen script: - Kondisi masukan - Hasil yang diinginkan - Aturan - Urutan peristiwa • Contoh Script: - Prosedur mematikan Proyektor Komputer - Skenario film

Rule • Rule (Kaidah) dinyatakan dalam bentuk perintah If-Then: If premis Then Kesimpulan If input Then Output If kondisi Then aksi If antecedent Then konsekuensi If data Then Hasil • Beberapa premis atau antecendent dapat dihubungkan dengan logika AND atau OR

Latihan • Cobalah buat Rule dari semantik berikut: A y y D y F y t B C t t y t t E t G L H y I t y y K y t M t N

LOGIKA PREDIKAT Logika predikat memberikan bagian fungsi dan fakta dalam bentuk Predikat(fakta, data) Contoh : Produksi(meja, kursi, 30, sofa) OAV triplet

Penggabungan Frame dengan Rule

Logika Predikat • Logika predikat dikembangkan dari propositional logic Logika propositional • Suatu kalimat logika ini terdiri dari beberapa atomic proposition yang dihubungkan menggunakan logical connectivity • Misal Proposition P: Alison suka wafel Propositin Q: Alison makan wafel maka: : Alison suka wafel atau Alison makan wafel : Alison suka wafel dan Alison makan wafel : Alison tidak makan wafel : If Alison suka wafel maka Alison makan wafel

Logika Predikat Dalam kalimat logika predikat beberapa fakta dan variabel dihubungkan menggunakan fungsi berupa predikatnya : • teman(alison, richard) • teman(ayah(fred), ayah(joe)) • Suka(X, richard) Beberapa kalimat logika predikat dapat juga dihubungkan menggunakan penghubung logika • teman(alison, richard) suka(alison, richard) • suka(alison, richard) suka(alison, wafel) • ((suka(alison, richard) suka(alison, wafel)) suka(alison, richard)

Suatu kalimat logika predikat dapat juga dinyatakan menggunakan quantifier ( dan ) • X burung(X) terbang(X) Terdapat beberapa burung yang tidak bisa terbang • X(orang(X) Y cinta(X, Y)) Setiap orang memiliki sesuatu yang dicintai Latihan : • X meja(X) jumlah_kakinya(X, 4) Terdapat beberapa meja yang jumlah kakinya tidak 4 • X (macintosh(X) betul-betul_komputer(X)) Jika sesuatu benda adalah macintosh maka benda itu bukan betul-betul komputer • X kue_creepes(X) (rasa(X, manis) rasa(X, pedas)) Semua kue creepes rasanya bisa manis atau pedas

Logika predikat dan frame Dapat saja logika predikat menyatakan bentuk frame misalnya jika terdapat obyek gajah memilik slot warna dengan value abu-abu maka • X gajah(X) warna(X, Y) abu-abu(Y)

B. Inferensi Engine dengan Model Penalaran merupakan proses lanjut dari representasi pengetahuan untuk menyelesaikan masalah 1. Sistem berbasiskan Rule • Forward chaining system| Fakta membuat suatu kesimpulan • Backward chaining system Kesimpulan telah ada kemudian mencari faktanya 2. Deduktif dan induktif Deduktif : dari informasi umum menjadi informasi khusus Induktif : dari informasi khusus menjadi informasi umum

Contoh Forward Chaining System Terdapat beberapa Rule 1. IF (kuliah X) AND (ikut praktikum X) THEN ADD (kerja lembur X) 2. IF (bulan februari) THEN ADD (kuliah alison) 3. IF (bulan februari) THEN ADD (ikut praktikum X) 4. IF (kerja lembur X) OR (kurang tidur X) THEN ADD (bad-mood X) 5. IF (bad-mood X) THEN DELETE (gembira X) 6. IF (kuliah X) THEN DELETE (mencari X) Misal di memory ada (bulan februari) (gembira alison) (mencari alison) Dari RULE 2 dan 3 (kuliah alison) (bulan februari) (gembira alison) (mencari alison)

Dari rule 3 dan 1 (kerja lembur alison) (ikut praktikum alison) (kuliah alison) (bulan februari) (gembira alison) (mencari alison) Dari rule 4 dan 6 kemudian 5 (bad mood alison) (kerja lembur alison) (ikut praktikum alison) (kuliah alison) (bulan februari)

Contoh Forward Chaining • Diketahui aturan sistem Pakar: R 1 : IF suku bunga turun THEN harga obligasi naik R 2 : IF suku bunga naik THEN harga obligasi turun R 3 : IF suku tidak berubah THEN harga obligasi tidak berubah R 4 : IF dolar naik THEN suku bunga naik R 5 : IF dolar turun THEN suku bunga naik R 6 : IF harga obligasi turun THEN beli obligasi • Jika dolar turun apakah obligasi akan dibeli?

3. Monotonik dan nonmonotonik • Monotonik : penalaran dari parameter yang tidak akan pernah berubah once a thief, always a thief • Non monotonik : penalaran dengan parameter yang bisa berubah sekarang presiden dulu anak petani 4. Penalaran berdasarkan pelacakan diagram semantik : • Depth-First Search : pelacakan ke simpul premis terdalam tanpa melacak premis di dekatnya yang tidak diperlukan • Breadth-First Search : semua premis pada cabang dilacak baru pindah ke simpul terdalam

Pemrograman sistem pakar • Sekuensial Pemrograman yang berurutan • Rekursif Pemrograman dengan memanggil berulang terhadap dirinya untuk menentukan kesimpulan sementara. Kesimpulan sementara diperoleh setelah kesimpulan terakhir didapat

• Contoh : Pemrograman Sekuensial Ada 2 buah teko masing-masing berkapasitas 4 galon (teko A) dan 3 galon (teko B). Tidak ada tanda yang menunjukkan batas ukuran pada kedua teko tersebut. Ada sebuah pompa air yang akan digunakan untuk mengisi air pada kedua teko tersebut. Permasalahannya bagaimana dapat mengisikan tepat 2 galon air ke dalam teko yang berkapasitas 4 galon Teko A X Teko B Y Air tak terbatas

1: 2: 3: 4: 5: Aturan Jika x < 4 maka isi teko A (4, y) Jika y < 3 maka isi teko B (x, 3) Jika x > 0 maka tuangkan sebagian air keluar dari teko A (x-d, y) Jika y>0 maka tuangkan sebagian air keluar dari teko B (x, y-d) Jika x > 0 maka kosongkan teko A dengan membuangnya ke tanah (0, y) 6: Jika y > 0 maka kosongkan teko B dengan membuang airnya ke tanah 7. JIka x+y≥ 4 dan y >0 maka tuangkan air dari teko B ke teko A sampai teko A penuh 8. Jika x+y ≥ 3 dan x>0 tuangkan air dari teko A ke teko B sampai teko B penuh 9. Jika x+y≥ 4 dan y >0 tuangkan seluruh air dari teko B ke teko A 10. JIka x+y ≥ 3 dan x>0 tuangkan seluruh air dari teko A ke teko B 11. Jika (0, 2) tuangkan 2 galon air dari teko B ke Teko A 12. JIka (2, y) kosongkan 2 galon air di teko A dengan membuangnya ke tanah

Solusi • Isi Teko AIsi Teko B 0 0 3 3 4 2 0 2 2 0 Aturan pakai 0 2 9 2 7 5 9 solusi

Contoh Rekursif • Pindahkan 3 keping satu per satu dari A ke B dengan aturan yang kecil tidak boleh dibawah yang besar A B C

• • pindahkan pindahkan satu satu keping keping dari dari a a c a b b a ke ke c b b c a c c

Deskripsi AI

IV. Pengaruh Ketidakpastian pada Penalaran • Di dalam pengambilan keputusan penalaran yang merupakan kunci utama sering dipengaruhi oleh fakta yang tidak pasti misalnya : Saat orang yang sembuh ditanya apakah sudah masih sakit atau tidak. Jawabnya adalah sudah mendingan • Ketidakpastian ini muncul dari pamahaman intuitif (intuitive insight) yang merupakan realita dari manusia • Ketidakpastian ini terkadang sulit untuk diterapkan pada sistem berbasis komputer • Karena ketidakpastian ini merupakan realita manusia maka sistem kecerdasan buatan juga harus bisa mengakomodasikannya.

IV. 1. Pendekatan Bayesian • Menggunakan teori probabilitas dengan menganggap suatu ketidakpastian adalah suatu kejadian (event) yang saling berpengaruh. • Misal [B 1, B 2, . . , Bn] adalah kejadian pada ruang sampel S dengan P(Bi) 0 untuk i = 1, 2, . . n. Misal A adalah suatu kejadian sembarang pada S maka

• Contoh : 2% dari populasi terkena TBC Diberikan fakta : P(T)=0, 02 Tentukan variabel : P(X|T), P(X|Not-T), P(T|X) P(X|T) : Probabilitas bahwa foto sinar X dari orang TBC adalah positif P(X|Not-T) : Probabilitas bahwa foto sinar X dari orang sehat adalah positif P(T|X) : Probabilitas bahwa seorang dengan foto sinar X positif terkena TBC

• Diberikan data : P(X|T) = 0, 9; P(X|Not-T)=0, 01 Carilah P(T|X) Jawab :

IV. 2. Tabel Keputusan (Decision table) dan Pohon Keputusan (Decision Tree)

IV. 3. Certainty Factor • Certainty Factor (CF) atau Confident Factor digunakan untuk menentukan ketidakpastian pada metoda heuristik dengan menetapkan nilai secara heuristik antara – 1 sampai 1. • Digunakan pada RULE dengan aturan : - CF dari conjunction (AND) dari beberapa fakta diambil CF yang minimum - CF dari disjunction (OR) dari beberapa fakta diambil CF maksimum - CF dari kesimpulan yang diperoleh dari hasil kali CF masing-masing premisenya

Contoh : Rule 1 : IF A and B and C, THEN simpulkan D (CF=0. 8) Rule 2 : IF H and I and J, THEN simpulkan D (CF=0, 7) • Jika CF dari A, B, C, H, I, J adalah 0, 7; 0, 3; 0, 5; 0, 8; 0, 7; 0, 9 maka CF dari komputasi untuk D adalah 0, 49 • Dari Rule 1 : Min[CF(A), CF(B), CF(C)] = Min[0, 7; 0, 3; 0, 5]=0, 3 CF(D) pada Rule 1 = Min[CF(A), CF(B), CF(C)] (Rule 1 CF) = (0, 3)(0, 8) = 0, 24 • Dari Rule 2 : Min[CF(H), CF(I), CF(J)] = Min[0, 8; 0, 7; 0, 9]=0, 7 CF(D) pada Rule 2 = Min[CF(H), CF(I), CF(J)] (Rule 2 CF) = (0, 7) = 0, 49 • Kombinasi Rule CF(D) = Max [CF(D)1; CF(D)2] = 0, 49

IV. 4. Logika Fuzzy (1965, Zadeh) • Logika Fuzzy memberikan nilai antara 0 dan 1, nilai ini disebut Fungsi Keanggotaan Fuzzy (Fuzzy Membership Function) atau Derajat Keanggotaan Fuzzy • Setiap jenis pengelompokkan (kelas) memiliki nilai keanggotaan yang kontinu. Masing-masing kelas perbedaannya juga tidak jelas (Fuzzy) misal kelas barang yang baik dan sangat baik. Contoh Fuzzy untuk prestasi akademik

Matematika Fuzzy • Misalkan A adalah himpunan obyek pada ruang sampel X. Didefinisikan X = x 1, x 2, …, xn • Himpunan A sebagai himpunan Fuzzy dapat dinyatakan dengan kombinasi linier A = u 1(x 1), u 2(x 2), … , un(xn) ui adalah derajat keanggotaan xi di dalam A atau dapat juga dituliskan himpunan A di dalam X adalah A = {x, ua(x)} , x X

Contoh himpuan Fuzzy untuk A={BAIK}

Operasi pada himpunan Fuzzy • Misal terdapat himpunan Fuzzy : A, B, C, dan D yang berada pada himpunan semesta X. Maka operasi yang ada : • Equality (Kesamaan): A=B jika dan hanya jika • Containment (Himpunan bagian) : jika dan hanya jika • Intersection (irisan) : • Union (penggabungan): • Complement :