RIPPLE DOWN RULES (MCRDR)
Diana Pratiwi¹, Ririn Dwi Agustin², Agung Toto Wibowo³
¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom
Abstrak
Proses ekstraksi dan transfer pengetahuan pakar ke dalam bentuk program komputer sehingga memiliki kemampuan untuk membuat keputusan disebut proses akuisisi pengetahuan dan dilakukan oleh perekayasa pengetahuan (knowledge engineer) melalui serangkaian proses wawancara.
Namun, proses ini tidak efektif karena seringkali dapat menyebabkan terjadinya kesalahan interpretasi pengetahuan, maka dikembangkanlah metode Ripple Down Rules (RDR) dimana pakar dapat melakukan proses akuisisi pengetahuan sendiri tanpa bantuan perekayasa pengetahuan. Tetapi, RDR masih memiliki kelemahan, yaitu hanya cocok digunakan untuk masalah yang memerlukan klasifikasi tunggal. Oleh karena itu, dikembangkanlah metode
Multiple Classification Ripple Down Rules (MCRDR) untuk mengatasi masalah dengan klasifikasi majemuk dan mampu mengurangi pengulangan pengetahuan yang terjadi pada RDR.
Tugas Akhir ini bertujuan untuk mengimplementasikan metode MCRDR meliputi pembentukan basis pengetahuan, proses inferensi, dan proses akuisisi pengetahuan. Pengujian sistem ini dilakukan untuk data yang memiliki klasifikasi tunggal dan klasifikasi majemuk.
Dari hasil pengujian dapat disimpulkan bahwa metode MCRDR bisa digunakan untuk data yang memiliki klasifikasi tunggal maupun klasifikasi majemuk. Urutan data dan pemilihan lokasi untuk penempatan rules sangat mempengaruhi bentuk tree dan akurasi yang dihasilkan. Kata Kunci : sistem pakar, akuisisi pengetahuan, MCRDR.
Abstract
The process of extraction and transfer of expert knowledge into a computer program that has the ability to make decisions is called knowledge acquisition process and is performed by knowledge engineer through a series of interview process.
However, this process is ineffective because it often can lead to misinterpretation of knowledge; therefore Ripple-Down Rules (RDR) method is developed. Using RDR, experts can perform the knowledge acquisition process by himself without any help from a knowledge engineer. However, the RDR still has a weakness, which is only suitable for problems that require a single
classification. Therefore, Multiple Classification Ripple-Down Rules (MCRDR) is developed. It can solve the problem that has multiple classifications and is able to reduce the repetition of
knowledge that occurred in the RDR.
Final Project aims to implement MCRDR method includes forming a knowledge base, inference process, and the process of knowledge acquisition. System testing is done to data that has a single classification and multiple classifications.
From the test results can be concluded that MCRDR could be used for single classification and multiple classification data. The sequence of data and location selection for new rules greatly affect the shape and accuracy of the resulting tree.
Keywords : expert system, knowledge acquisition, MCRDR
Powered by TCPDF (www.tcpdf.org)
1
1.
Pendahuluan
1.1
Latar belakang
Sistem pakar merupakan salah satu cabang dari Artificial Intelligence (AI) yang menirukan penalaran seorang pakar dengan keahlian pada suatu wilayah pengetahuan tertentu sehingga dapat menyelesaikan suatu permasalahan dan membuat suatu keputusan maupun mengambil kesimpulan dari sejumlah fakta yang ada. Dengan menggunakan sistem pakar, pengetahuan dari seorang pakar dapat ditransfer ke dalam bentuk program komputer yang memiliki kemampuan untuk dapat membuat keputusan layaknya seorang pakar. Proses ekstraksi pengetahuan pakar ini di sebut proses akuisisi pengetahuan. Dalam membangun sistem pakar, proses akuisisi pengetahuan dilakukan oleh perekayasa pengetahuan (knowledge engineer) melalui serangkaian proses wawancara. Namun, dikarenakan proses ini tidak efektif karena seringkali dapat menyebabkan terjadinya kesalahan interpretasi pengetahuan, maka dikembangkanlah metode Ripple Down Rules (RDR) dimana pakar dapat melakukan proses akuisisi pengetahuan sendiri tanpa bantuan perekayasa pengetahuan. Tetapi, RDR masih memiliki beberapa kelemahan, salah satunya adalah hanya cocok digunakan untuk masalah yang memerlukan klasifikasi tunggal, yakni masalah yang memiliki satu kategori solusi. Apabila RDR digunakan untuk masalah dengan klasifikasi majemuk, yakni masalah yang menghasilkan lebih dari satu klasifikasi solusi, maka solusi yang dihasilkan merupakan kombinasi dari klasifikasi tunggal. Karena kombinasi yang mungkin terjadi sangat banyak dan dapat menyebabkan ukuran basis pengetahuan meningkat pesat, maka dikembangkanlah metode Multiple Classification Ripple Down Rules (MCRDR) untuk mengatasi masalah dengan klasifikasi majemuk dan mampu mengurangi pengulangan pengetahuan yang terjadi pada RDR.
1.2
Perumusan masalah
Permasalahan yang akan dibahas dalam tugas akhir ini adalah:
- Bagaimana penerapan metode MCRDR untuk masalah yang memerlukan klasifikasi majemuk?
- Apakah metode MCRDR tetap dapat bekerja dengan baik pada masalah dengan klasifikasi tunggal?
1.3
Tujuan
- Mengimplementasikan metode MCRDR untuk akuisisi pengetahuan. - Meneliti kineja metode MCRDR untuk akuisisi pengetahuan meliputi
akurasi dan fleksibilitas penggunaan algoritma (bisa di gunakan untuk klasifikasi majemuk dan klasifikasi tunggal).
2
1.4
Batasan Masalah
Agar permasalahan tidak meluas dan tidak menyimpang dari tujuan yang ingin dicapai, diperlukan adanya batasan-batasan masalah sebagai berikut:
- Membangun basis pengetahuan.
- Menerapkan metode MCRDR untuk proses inferensi dan akuisisi pengetahuan.
- Sumber data pengetahuan yang akan digunakan pada tugas akhir ini diambil dari tugas akhir Dini Armyta yang berjudul “Pengembangan Sistem Akuisisi Pengetahuan Klasifikasi Majemuk Induct/MCRDR”.
1.5
Metodologi penyelesaian masalah
Berikut ini tahapan yang akan dilakukan untuk menyelesaikan tugas akhir ini, yaitu:
- Studi literatur
Tahap ini dilakukan dengan mempelajari literatur-literatur yang dapat mendukung penyelesaian tugas akhir ini, baik berupa buku, jurnal, maupun artikel yang berasal dari internet.
- Analisis penyelesaian masalah
Pada tahap ini akan dilakukan analisis tentang cara pengembangan metode MCRDR pada masalah dengan klasifikasi majemuk.
- Perancangan sistem
Pada tahap ini dilakukan perancangan sistem akuisisi pengetahuan dengan metode MCRDR.
- Implementasi sistem
Pada tahap ini dilakukan implementasi dari rancangan yang telah dibuat sebelumnya untuk sistem akuisisi pengetahuan menggunakan metode MCRDR dengan melakukan pengkodean menggunakan bahasa pemrograman Java.
- Analisa hasil
Analisa hasil dilakukan dengan melakukan pengukuran akurasi hasil dari sistem akuisisi pengetahuan menggunakan MCRDR.
- Penyusunan Laporan
Membuat laporan dalam format penulisan tugas akhir dengan disertai kesimpulan akhir.
Powered by TCPDF (www.tcpdf.org)
41
5.
Penutup
5.1
Kesimpulan
Kesimpulan yang diperoleh dari pengerjaan Tugas Akhir ini adalah sebagai berikut:
1. Metode MCRDR ini merupakan pengembangan dari metode RDR karena dapat digunakan untuk data dengan klasifikasi majemuk dan dapat mengurangi terjadinya pengulangan pengetahuan.
2. Sistem MCRDR yang telah di bangun dapat bekerja dengan baik, hal ini dapat di simpulkan dari rata-rata akurasi yang dihasilkan yakni 94.77%. 3. Metode MCRDR dapat digunakan untuk kasus yang memiliki klasifikasi
tunggal dan klasifikasi majemuk. Dari hasil pengujian, rata-rata akurasi untuk klasifikasi tunggal adalah 94.34%, sedangkan untuk klasifikasi majemuk adalah 95.39%.
4. Penempatan rules baru mempengaruhi bentuk tree yang dihasilkan. Untuk penempatan rules baru di level teratas, bentuk tree cenderung melebar dan hanya terdiri dari dua level. Sedangkan untuk penempatan rules baru di akhir jalur inferensi, bentuk tree lebih mendalam dengan jumlah level lebih dari dua.
5. Untuk kasus klasifikasi tunggal, setelah dilakukan inferensi ternyata klasifikasi dapat ditemukan tetapi sistem juga menghasilkan klasifikasi lain. Karena tidak dilakukan akuisisi pengetahuan, maka klasifikasi ini tidak dapat dihentikan. Sehingga sistem menghasilkan lebih dari satu klasifikasi. Hal ini menjadi kelemahan dari metode MCRDR ketika digunakan untuk kasus klasifikasi tunggal karena seharusnya kasus dengan klasifikasi tunggal hanya menghasilkan satu klasifikasi saja.
5.2
Saran
Berikut ini merupakan saran untuk pengembangan lebih lanjut dari Tugas Akhir ini:
1. Pengembangan metode akuisisi pengetahuan otomatis yang sudah tidak membutuhkan campur tangan pakar lagi.
2. Gabungkan penggunaan lokasi penempatan rules baru di level teratas dengan di akhir jalur inferensi untuk mengurangi jumlah stopping rule pada tree yang dihasilkan karena dapat memperbanyak jumlah node yang harus di telusuri.
Powered by TCPDF (www.tcpdf.org)
42
Referensi
[1] Arhami, Muhammad. 2005. Konsep Dasar Sistem Pakar. Yogyakarta: Penerbit ANDI.
[2] Armyta, Dini. 2007. Pengembangan Sistem Akuisisi Pengetahuan Klasifikasi Majemuk Induct/MCRDR. Bandung: Institut Teknologi Bandung.
[3] Compton, P., G. Edwards, B. Kang, L. Lazarus, R Malor, T. Menzies, P. Preston, A. Srinivasan, S. Sammut. Ripple Down Rules: Possibilities and Limitations. 2010. Australia: School of Computer Science and Engineering University of New South Wales.
[4] Hartati, Sri G., B. Herry Suharto, dan M. Soesilo Wijono. 2007. Pemrograman GUI Swing Java dengan Netbeans 5. Yogyakarta: Penerbit ANDI.
[5] Kang, Byeong Ho, Paul Compton dan Phil Preston. Multiple Classification Ripple Down Rules : Evaluation and Possibilities. Australia: School of Computer Science and Engineering University of New South Wales.
[6] P. Preston, P. Compton. 1996. An Implementation of Multiple Classification Ripple Down Rules [online]. Available at: http://ksi.cpsc.ucalgary.ca/KAW/KAW96/preston/MCRDR_Tut.html diakses pada tanggal 24 November 2009.
[7] Raharjo, Budi, Imam Heryanto, dan Arif Haryono. 2009. Mudah Belajar Java. Bandung: Penerbit Informatika.
[8] Suyanto. 2007. Artificial Intelligence: Searching, Reasoning, Planning, dan Learning. Bandung: Penerbit Informatika.
[9] http://mlearn.ics.uci.edu/databases/
[10] http://www.brpreiss.com/books/opus5/html/page257.html
Powered by TCPDF (www.tcpdf.org)
