Dalam bab ini akan dibahas mengenai sistem berbasis rule yang cerdas yang
menitikberatkan pada variabel, sehingga ia disebut dengan Variable-Centered Intelligent Rule System (VCIRS). VCIRS merupakan thesis master penulis [Sub05c] dan telah
dipublikasikan pada Information and Communication Technology Seminar 2005 [Sub05d]. Sedikit bahasa mengenai algoritma Rete pustakanya diambil dari Forgy [For82].
18.1 Gambaran Umum
Sistem Berbasis Aturan (SBA – Rule Base Systems (RBS)) adalah sistem yang baik untuk mendapat jawaban dari pertanyaan mengenai What (apa), How (bagaimana) dan Why (mengapa) dari Rule Base (RB) selama proses inferensia. Jawaban dan penjelasannya dapat disediakan dengan baik. Masalah yang dengan SBP adalah ia tak dapat secara mudah menjalankan proses akuisisi knowledge (pengetahuan) dan ia tak dapat mengupdate rule (aturan) secara otomatis. Hanya pakar yang dapat mengupdate Knowledge Base (KB) secara manual dengan dukungan dari knowledge engineer (insinyur pengetahuan). Lebih jauh kebanyakan peneliti dalam SBA lebih memperhatikan masalah optimasi pada rule yang sudah ada daripada pembangkitan rule baru dari rule yang sudah ada. Namun demikian, optimasi rule tak dapat mengubah hasil dari inferensia secara signifikan, dalam hal cakupan pengetahuan. Penjelasan selengkapnya mengenai RBS/SBA dapat dilihat kembali pada bab 5 dan bab 6.
Ripple Down Rule (RDR) datang untuk mengatasi permasalahan utama dari sistem pakar: pakar tak perlu lagi selalu mengkomunikasikan pengetahuan dalam konteks yang spesifik. RDR membolehkan akuisisi yang cepat dan sederhana secara ekstrim tanpa bantuan dari knowledge engineer. Pengguna tak perlu menguji RB dalam rangka mendefinisikan rule baru: pengguna hanya perlu untuk mampu mendefinisikan rule baru yang secara benar mengklasifikasikan contoh yang diberikan, dan sistem dapat menentukan dimana suatu rule harus ditempatkan dalam hirarki rulenya. Keterbasan dari RDR adalah kekurangan dalam hal inferensia yang berdayaguna. Tak seperti SBA yang dilengkapi dengan inferensia melalui forward dan backward chaining, RDR kelihatannya menggunakan Depth First Search (DFS) yang memiliki kekurangan dalam hal fleksibelitas dalam hal penjawaban pertanyaan dan penjelasan yang tumbuh dari inferensia yang berdayaguna. Penjelasan selengkapnya mengenai RDR ini dapat dilihat kembali pada bab 8.
182
RDR. Arsitektur sistem diadaptasi dari SBA dan ia mengambil keuntungan-keuntungan yand ada dari RDR. Sistem ini mengorganisasi RB dalam struktur spesial sehingga
pembangunan pengetahuan, inferensia pengetahuan yang berdayaguna dan peningkatan evolusional dari kinerja sistem dapat didapatkan pada waktu yang sama. Istilah
“Intelligent” dalam VCIRS menekankan pada keadaan sistem ini yang dapat “belajar” untuk meningkatkan kinerja sistem dari pengguna sistem selama pembangunan pengetahuan (melalui analisis nilai) dan penghalusan pengetahuan (dengan pembangkitan rule).
18.2 Motivasi
Motivasi dari dibuatnya VCIRS adalah:
Rule Base System (RBS) atau Sistem Berbasis Aturan (SBA) o Dengan inferensianya yang berdayaguna (powerful) Ripple Down Rules (RDR)
o Dengan akuisisi pengetahuannya yang berdayaguna
Rule Base Systems
Menjawab pertanyaan seperti:
What (apa) hasil dari proses inferensia? How (bagaimana) hal itu dilakukan? Why (mengapa) itu bisa dilakukan? Strategi:
Forward chaining
o Clause sebagai premise/dasar pemikirian dari sebuah rule dicocokkan dengan data fakta, suatu pencocokan yang menyebabkan sebuah proses untuk menyatakan konklusi
Backward chaining
o Tujuannya adalah mencocokkan dengan fakta suatu konklusi dari beberapa rule; suatu pencocokan yang menyebabkan sebuah proses untuk menentukan apakah premise clause cocok dengan data fakta.
183
Certainty Factor (CF, sebagian orang mengartikan sebagai confidence factor)
Meningkatkan kemanfaatan dari ketidakpastian baik pada pengetahuan dan data fakta Permasalahan
Pembangunan pengetahuan
o Diupdate secara manual oleh pakar dengan dukungan knowledge engineer
Ripple Down Rules
Memiliki kemampuan akuisisi pengetahuan (Knowledge Acquisition - KA) dengan cepat dan sederhana secara ekstrim.
Tanpa bantuan dari knowledge engineer
Pengguna tidak perlu menguji RB untuk menentukan rule baru
o Pengguna hanya perlu untuk mendefinisikan rule baru yang secara benar
mengklasifikasikan contoh yang diberikan, dan sistem dapat menentukan dimana rule-rule itu seharusnya ditempatkan dalam hirarki rule.
o Satu-satunya tugas akuisisi pengetahuan dalam RDR untuk pakar adalah memilih dari daftar kondisi (nantinya diimplementasikan dalam daftar perbedaan).
o Sang pakar mempunyai tugas yang sangat terbatas dan tidak perlu terlibat dengan struktur KB.
Permasalahan
Inferensia pengetahuan
o Kelihatannya menggunakan Depth First Search (DFS) sehingga menimbulkan kekurangan dalam hal fleksibelitas penjawaban pertanyaan dan penjelasan yang tumbuh dari inferensia berdayaguna seperti yang disajikan dalam SBA.
18.3 Metode
Metode dari VCIRS dapat digambarkan pada gambar 18.1, yang merupakan teknik persilangan dari SBA dan RDR.
184 Evolutionally improve performance Variable-Centered Intelligent Rule System (VCIRS)
Simplify knowledge building RBS
RDR
Empower knowledge inferencing
Gambar 18.1 Diagram metode VCIRS
VCIRS mempunyai struktur yang mengorganisasi RB sehingga pembangunan pengetahuan yang mudah, inferensia pengetahuan yang berdayaguna dan peningkatan evolusional sistem dapat didapatkan pada waktu yang sama.
Pertama, pembangunan pengetahuan disederhanakan dengan langkah-langkah sederhana dalam proses pembangunan pengetahuannya. Pengguna tidak perlu mempertimbangkan mengenai struktur KB dan dapat mengupdate KB secara langsung. VCIRS membolehkan pengguna untuk memperbaiki atau menambahkan node/rule kedalam KB yang telah ada. Seperti dalam RDR, perbaikan rule adalah pembuatan sebuah rule pengecualian untuk membuat benar pengklasifikasian yang salah, dimana penambahan mengacu pada penambahan rule baru pada level puncak tree KB. Sistem memandu pengguna selama proses pembangunan pengetahuan.
Inferensia pengetahuan dipertajam oleh pengetahuan (yaitu, hasil dari analisis variabel dan nilai) dari urutan derajat kepentingan (important degree) dan tingkat penggunaan (usage rate) dari case/kasus pada KB. Mekanisme inferensia SBA dibawa kembali dalam VCIRS, sehingga pengguna mendapatkan lebih banyak jawaban dan penjelasan dari inferensia. Kinerja sistem ditingkatkan oleh struktur RB yang mendukung analisis variabel dan nilai untuk pembangkitan rule. Pembangkitan rule meningkatkan hasil dari inferensia dalam hal cakupan pengetahuan. Lebih jauh, analisis nilai juga memandu pengguna selama
pembangunan dan inferensia pengetahuan. Bersamaan dengan pembangkitan rule, kemampuan ini dapat meningkatkan kinerja sistem dalam hal inferensia pengetahuan. Kata “intelligent” digunakan dalam VCIRS adalah untuk menekankan bahwa sistem ini dapat “belajar” dari pengguna, selama pembangunan pengetahuan (yaitu analisis nilai) dan perbaikan pengetahuan (yaitu pembangkitan rule). Lebih jauh, pembangkitan rule bersama dengan kemampuan sistem yang mampu untuk melakukan inferensia ala SBA, dapat secara evolusional meningkatkan kinerja sistem.