IF1526 Sistem Berbasis Pengetahuan (Knowledge-Based System)

(1)

IF1526

Sistem Berbasis Pengetahuan

(Knowledge-Based System)

Disusun Oleh:

Irfan Subakti

Jurusan Teknik Informatika

Fakultas Teknologi Informasi

Institut Teknologi Sepuluh Nopember

Surabaya

(2)

KATA PENGANTAR

Kuliah Sistem Berbasis Pengetahuan di Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember (ITS), ini diberikan sebagai salah satu Mata Kuliah Pilihan yang termasuk dalam bidang minat Sistem Informasi yang memiliki bobot 3 SKS (Satuan Kredit Semester).

Tujuan yang ingin didapat dari Mata Kuliah ini adalah untuk merancang/menerapkan Sistem Berbasis Pengetahuan dengan merangkai tiga komponen pokok: inference engine, basis data, dan production rules.

Materi yang dibahas adalah: Sistem-sistem yang ada dalam Management Support System (MSS), penggunaan kecerdasan buatan, Sistem Pakar, akuisisi dan validasi pengetahuan, Sistem Pakar Berbasis Pengetahuan, dan Algoritma Genetika.

Tak ada gading yang tak retak, demikian jugalah dalam penyusunan Buku Panduan ini. Kami mohon maaf bila ada kekurangan. Semoga Tuhan Yang Maha Pengasih memberikan segala kurnia-Nya kepada kita dalam segenap langkah-langkah kita ini. Amiin.

Penyusun

(3)

DAFTAR ISI

Halaman

KATA PENGANTAR ...ii

DAFTAR ISI ... iii

TUJUAN INSTRUKSIONAL UMUM...vi

MATERI ...vi

PRASYARAT MATA KULIAH ...vi

BAB 1 MANAGEMENT SUPPORT SYSTEM (MSS)... 1

1.1. Manajer dan Dukungan Komputer... 1

1.2. Managerial Decision Making & Management Information Systems (MIS)... 1

1.3. Kerangka Kerja Decision Support (DS). ... 1

1.4. Decision Support Systems (DSS)... 2

1.5. Group Support Systems (GSS). ... 2

1.6. Executive Information (atau Support) Systems (EIS atau ESS). ... 3

1.7. Expert Systems (ES). ... 3

1.8. Neural Computing (Artificial Neural Network). ... 3

1.9. Evolusi dari Alat Pengambil Keputusan Terkomputerisasi... 3

1.10. Pelbagai Perbedaan diantara MIS dan DSS. ... 5

1.11. Hubungan antara Decision Support-Expert System. ... 5

1.12. Dukungan dari Pengambilan Keputusan... 6

1.13. Hybrid Support Systems... 7

1.14. Computer-Based Information Systems di Departemen Personalia... 7

1.15. Kesimpulan... 8

BAB 2 PENGGUNAAN ARTIFICIAL INTELLIGENCE (AI) ... 9

2.1. Definisi... 9

3 tujuan yang diinginkan AI: ... 9

Beberapa kemampuan yang merupakan tanda dari kecerdasan:... 9

Symbolic Processing. ... 9

Heuristics. ...10

Inferencing...10

Pengenalan Pola. ...10

2.2. AI Dibandingkan dengan Natural Intelligence...10

2.3. Knowledge pada AI. ...10

Data. ...10

Information. ...10

Knowledge. ...10

Penggunaan Knowledge...11

Basis-basis pengetahuan dan organisasi berbasis pengetahuan. ...11

2.4. Bagaimana AI Berbeda dengan Komputasi Konvensional...11

2.5. Bidang AI. ...12

Expert System. ...13

Natural Language Processing. ...14

2.6. Kesimpulan...14

BAB 3 EXPERT SYSTEM ...15

3.1. Konsep Dasar ES...15

Expertise/Kepakaran...15

Expert/Pakar...15

Fakta mengenai Kepakaran. ...15

Inferencing...16

Rules. ...16

Kemampuan Menjelaskan. ...16

3.2. Struktur ES. ...17

Inference Engine...17

Explanation Subsystem (Justifier). ...17

Knowledge Refining System. ...18

3.3. Elemen Manusia dalam ES...18

3.4. Bagaimana ES Dibangun. ...18

3.5. Bidang Permasalahan yang Ditangani ES. ...18

3.6. Keuntungan ES ...18

(4)

3.8. Jenis ES...19

3.9. Pengembangan ES. ...20

BAB 4 AKUISISI DAN VALIDASI KNOWLEDGE ...27

4.1. Rekayasa Knowledge. ...27

Proses Rekayasa Knowledge. ...27

4.2. Skup Knowledge...27

Sumber Knowledge. ...27

Akuisisi dari Database...28

Level Knowledge. ...28

Kategori Knowledge. ...28

4.3. Kesulitan dalam Akuisisi Knowledge. ...28

Masalah-masalah dalam transfer knowledge. ...28

Mengatasi Pelbagai Kesulitan. ...29

Ketrampilan yang dibutuhkan oleh Knowledge Engineer: ...29

4.4. Metode Akuisisi Knowledge: Pendahuluan...29

4.5. Wawancara...30

Wawancara Tak Terstruktur. ...30

Wawancara Terstruktur. ...31

4.6. Metode Pelacakan. ...31

Prosedur Analisis Protokol:...31

Keuntungan dan Keterbatasan Analisis Protokol. ...31

4.7. Pengamatan dan Metode Manual Lainnya. ...32

Pengamatan (observasi). ...32

Pelbagai metode manual lainnnya: ...32

4.8. Metode Expert-driven. ...32

Metode manual: laporan oleh sang pakar itu sendiri...32

Pendekatan bantuan komputer...33

4.9. Repertory Grid Analysis...33

Cara kerja RGA. ...33

Penggunaan RGA dalam ES...33

4.10. Dukungan Knowledge Engineer. ...34

Alat bantu akusisi knowledge. ...34

Alat bantu akuisisi knowledge terintegrasi. ...34

Front-end Tools. ...34

4.11. Induksi Rule, Case-based Reasoning, dan Komputasi Syaraf. ...34

Induksi Rule Otomatis. ...35

Keuntungan dari induksi rule...35

Kesulitan dalam implementasi. ...36

Induksi interaktif...36

Case-based reasoning...36

Komputasi Syaraf. ...36

4.12. Memilih Metode yang Sesuai. ...36

4.13. Akuisisi Knowledge dari Banyak Pakar. ...37

Skenario dari banyaknya pakar yang terlibat...37

Metode penanganan banyak pakar. ...37

4.14. Validasi dan Verifikasi Knowledge Base...37

4.15. Analisis, Kodifikasi, Dokumentasi, dan Pendiagraman. ...38

4.16. Akuisisi Knowledge Numerik dan Terdokumentasi. ...38

Akuisisi knowledge numerik. ...38

Akuisisi knowledge terdokumentasi...38

BAB 5 KNOWLEDGE-BASED EXPERT SYSTEMS ...40

5.1. Pengertian. ...40

5.2. Rules dan Rule Chaining. ...40

5.3. Forward dan Backward Chaining...41

Forward Chaining. ...41

Backward chaining. ...42

Mana yang dipilih, forward ataukah backward chaining? ...42

Tipe sistem yang dapat dicari dengan forward chaining:...42

Tipe sistem yang dapat dicari dengan backward chaining: ...42

(5)

Forward chaining. ...43

Backward chaining. ...43

Contoh struktur data dalam program. ...48

Contoh Kasus...49

Kasus 1. Forward Chaining...49

Kasus 2. Backward Chaining...52

5.5. Confidence Factor (CF) pada Forward dan Backward Chaining...57

CF untuk rule dengan kondisi AND...57

CF untuk rule dengan kondisi OR...57

CF untuk rule dengan kondisi AND/OR. ...57

5.6. Pengembangan Program Forward dan Backward Chaining. ...58

Pembagian Rule. ...58

Implementasi Pengembangan Program. ...59

BAB 6 ALGORITMA GENETIKA ...61

6.1. Pendahuluan...61

Struktur Umum Algoritma Genetika...61

Eksploitasi dan Eksplorasi. ...62

Pencarian berdasarkan populasi. ...62

Meta-heuristic...63

Keuntungan Utama. ...63

Kamus GA. ...63

6.2. Contoh Program Algoritma Genetika Sederhana (Simple Genetic Algorithm) ...63

Masalah Optimasi...63

DAFTAR PUSTAKA...67

(6)

TUJUAN INSTRUKSIONAL UMUM

Merancang/menerapkan Sistem Berbasis Pengetahuan dengan merangkai tiga komponen pokok: inference engine, basisdata, dan production rules.

MATERI

Sistem-sistem yang ada dalam Management Support System (MSS). Penggunaan kecerdasan buatan.

Sistem Pakar.

Akuisisi dan validasi pengetahuan. Sistem Pakar Berbasis Pengetahuan. Algoritma Genetika.

PRASYARAT MATA KULIAH

IF1408 Sistem Informasi IF1504 Kecerdasan Buatan

(7)

Bab 1 Management Support Sistem (MSS)

BAB 1

MANAGEMENT SUPPORT SYSTEM (MSS)

1.1. Manajer dan Dukungan Komputer.

Teknologi komputer sekarang ini merupakan bagian terpenting dalam dunia bisnis, dan jelas dalam pelbagai bidang lainnya. MSS terdiri dari:

1. Decision Support Systems (DSS).

2. Group Support Systems (GSS), termasuk Group DSS (GDSS). 3. Executive Information Systems (EIS).

4. Expert Systems (ES).

5. Artificial Neural Networks (ANN). 6. Hybrid Support Systems.

1.2. Managerial Decision Making & Management Information

Systems (MIS).

 Manajemen adalah proses pencapaian tujuan organisasi melalui penggunaan resources (manusia, uang, energi, material, ruang, dan waktu).

Resources sebagai input, sedangkan pencapaian tujuan adalah outputnya.

Kesuksesan suatu organisasi dan kesuksesan tugas seorang manajer diukur dari

produktivitas. Produktivitas = ) ( ) , ( resources Input jasa produk Output

Faktor-faktor yang mempengaruhi pengambilan keputusan:

Faktor Tren Hasil

Teknologi.

Informasi/Komputer. Meningkat. Meningkat. Lebih banyak alternatif pilihan. Kompleksitas struktural.

Kompetisi. Meningkat. Meningkat. Biaya yang lebih besar dari kesalahan yang terjadi. Pasar Internasional. Stabilitas politik. Konsumerisme. Intervensi Pemerintah. Meningkat. Menurun. Meningkat. Meningkat.

Ketidakpastian berkaitan dengan masa depan.

Kecepatan perubahan luar biasa besarnya.

Pendekatan manajemen trial and error menjadi lebih sulit.

Manajer harus lebih canggih, harus belajar bagaimana menggunakan tool dan teknik-teknik baru yang selalu berkembang di bidangnya masing-masing.

Teknik-teknik yang dipakai ini banyak yang memakai pendekatan analisis kuantitatif, dikelompokkan dalam 1 disiplin, disebut dengan Management Science (Operation Research).

1.3. Kerangka Kerja Decision Support (DS).

Tipe Kontrol Tipe Keputusan Kontrol

Operasional Kontrol Manajerial Perencanaan Strategis dibutuhkan Dukungan yang

Terstruktur Account receivable,

order entry Budget analysis, short-term forecasting, personnel reports, make-or-buy Financial management (investment), warehouse location, distribution systems MIS, operational research models, transaction processing Semi terstruktur Production schedulling, inventory control Credit evaluation, budget preparation, plant layout, project schedulling, reward systems design

Building new plant, mergers and acquisitions, new product planning, compensation planning, quality assurance planning

DSS

Tak terstruktur Selecting a cover

for a magazine, buying software, approving loans Negotiating, recruiting an executive, buying hardware, lobbying

R & D planning, new technology development, social responsibility planning DSS, ES, neural networks Dukungan yang

(8)

Proses pengambilan keputusan terdiri dari 3 fase proses: intelligence, design, dan choice.  Intelligence – pencarian kondisi-kondisi yang dapat menghasilkan keputusan.

 Design – menemukan, mengembangkan, dan menganalisis materi-materi yang mungkin untuk dikerjakan.

 Choice – pemilihan dari materi-materi yang tersedia, mana yang akan dikerjakan. Proses-proses yang terjadi pada kerangka kerja DS dibedakan atas:

 Terstruktur, mengacu pada permasalahan rutin dan berulang untuk solusi standar yang ada.  Tak terstruktur, adalah “fuzzy”, permasalahan kompleks dimana tak ada solusi serta merta.

Masalah yang tak terstruktur adalah tak adanya 3 fase proses yang terstruktur.

 Semi terstruktur, terdapat beberapa keputusan terstruktur, tetapi tak semuanya dari fase-fase yang ada.

Pendekatan Management Science mengadopsi pandangan seorang manajer yang dapat mengikuti proses yang sistematik untuk penyelesaian masalah. Sehingga adalah mungkin untuk menggunakan pendekatan sains pada Managerial Decision Making. Langkahnya adalah:

1. Definisi masalah (keputusan situasi yang berhubungan dengan pelbagai masalah atau dengan suatu kesempatan)

2. Klasifikasi masalah ke dalam kategori standar.

3. Membuat model matematika yang menjelaskan masalah secara nyata. 4. Menemukan solusi potensial di model masalah tadi dan mengevaluasinya.

5. Memilih dan merekomendasikan satu solusi dari masalah. Proses ini dipusatkan pada masalah

modeling/pemodelan.

1.4. Decision Support Systems (DSS).

Sistem berbasis komputer yang interaktif, yang membantu pengambil keputusan memanfaatkan data dan model untuk menyelesaikan masalah-masalah yang tak terstruktur. DSS mendayagunakan resources individu-individu secara intelek dengan kemampuan komputer

untuk meningkatkan kualitas keputusan. Jadi ini merupakan sistem pendukung yang berbasis komputer untuk manajemen pengambilan keputusan yang berhubungan dengan masalah-masalah yang semi terstruktur.

Istilah DSS kadang digunakan untuk menggambarkan sembarang sistem yang terkomputerisasi.

DSS digunakan untuk definisi yang lebih sempit, dan digunakan istilah MSS sebagai payung untuk menggambarkan pelbagai tipe sistem pendukung.

Mengapa menggunakan DSS?

Perusahaan beroperasi pada ekonomi yang tak stabil.

Perusahaan dihadapkan pada kompetisi dalam dan luar negeri yang meningkat.

Perusahaan menghadapi peningkatan kesulitan dalam hal melacak jumlah operasi-operasi bisnis.

Sistem komputer perusahaan tak mendukung peningkatan tujuan perusahaan dalam hal efisiensi, profitabilitas, dan mencari jalan masuk di pasar yang benar-benar menguntungkan. 6 alasan mengapa perusahaan-perusahaan utama memulai DSS dalam skala besar:

Kebutuhan akan informasi yang akurat.

DSS dipandang sebagai pemenang secara organisasi. Kebutuhan akan informasi baru.

Manajemen diamanahi DSS.

Penyediaan informasi yang tepat waktu. Pencapaian pengurangan biaya.

Alasan lain dalam pengembangan DSS adalah perubahan perilaku komputasai end-user. End-user bukanlah programer, sehingga mereka membutuhkan tool dan prosedur yang mudah untuk digunakan. Dan ini dipenuhi oleh DSS.

1.5. Group Support Systems (GSS).

Pelbagai keputusan utama dalam organisasi dibuat oleh group secara kolektif.

Mengumpulkan keseluruhan group secara bersama dalam satu tempat dan waktu adalah sulit dan mahal, sehingga pertemuan ini memakan waktu lama dan keputusan yang dibuat hasilnya sedang-sedang saja, tak terlalu baik.

(9)

Peningkatan kinerja group-group tadi yang dibantu oleh teknologi Informasi ini muncul dalam pelbagai istilah, seperti: groupware, electronic meeting systems, collaborative systems, dan group DSS (ini yang kita gunakan).

Satu contoh dari implementasi group DSS ini adalah Total Quality Management (TQM).

1.6. Executive Information (atau Support) Systems (EIS atau ESS).

EIS dikembangkan utamanya untuk:

Menyediakan kebutuhan informasi yang diperlukan oleh pihak Eksekutif. Menyediakan antarmuka yang benar-benar user-friendly untuk Eksekutif. Mempertemukan pelbagai gaya keputusan individu para Eksekutif. Menyediakan pelacakan dan kontrol yang tepat waktu dan efektif.

Menyediakan akses cepat pada informasi detil yang tersirat di teks, bilangan, atau grafik. Memfilter, memadatkan, dan melacak data dan informasi yang kritis.

Identifikasi masalah (atau juga kesempatan).

EIS bisa juga digunakan pada pelbagai jenis perusahaan dan melayani sejumlah manajer sebagai suatu Enterprise Wide Systems (EWS).

1.7. Expert Systems (ES).

Semakin tak terstruktur suatu situasi, maka solusinya akan lebih spesifik. ES dibuat untuk menyerupai seorang pakar/ahli.

ES adalah paket hardware dan software yang digunakan sebagai pengambil keputusan dan/atau pemecahan masalah; yang dapat mencapai level yang setara atau kadang malah melebihi seorang pakar/ahli, pada satu area masalah yang spesifik dan biasanya lebih sempit. Merupakan cabang dari aplikasi Artificial Intelligence (AI).

Ide dasarnya sederhana. Kepakaran ditransfer dari seorang pakar ke komputer. Pengetahuan ini lalu disimpan disitu dan user dapat meminta saran spesifik yang dibutuhkannya. Komputer dapat mencari, mengolah dan menampilkan kesimpulan yang spesifik. Dan seperti seorang pakar, saran tersebut bisa dimanfaatkan oleh orang yang bukan pakar berikut penjelasannya yang berisi logika penalaran di balik saran itu.

1.8. Neural Computing (Artificial Neural Network).

Teknologi sebelum Artificial Neural Network (ANN) berbasis pada penggunaan data, informasi, ataupun pengetahuan eksplisit yang tersimpan di komputer dan memanipulasi mereka menurut kebutuhan.

Pada dunia nyata yang begitu kompleks, mungkin tak bisa didapatkan data, informasi, ataupun pengetahuan secara eksplisit, sedangkan keputusan harus diambil walaupun kondisinya seperti ini (informasi yang parsial, tak lengkap, atau pun tak eksak).

Perubahan lingkungan yang terjadi sedemikian cepatnya.

Pengambil keputusan menggunakan pengalaman yang ada untuk mengatasi hal ini; yaitu menggunakan pengalaman yang bersesuaian dan belajar dari pengalaman itu tentang apa yang harus dikerjakan dengan situasi yang serupa untuk pengalaman yang tak sesuai.

Pada teknologi sebelumnya, tak ada elemen untuk proses pembelajaran oleh komputer. Teknologi yang ditujukan untuk mengisi kekurangan ini, disebut dengan Neural Computing atau

ANN. Contohnya adalah pengenalan pola.

1.9. Evolusi dari Alat Pengambil Keputusan Terkomputerisasi.

Dibagi dalam 7 kategori:

1. Transaction Processing Systems (TPS). 2. Management Information Systems (MIS). 3. Office Automation Systems (OAS).

4. Decision Support Systems (DSS) dan Group DSS (GDSS). 5. Expert Systems (ES).

6. Executive Information Systems (EIS). 7. Artificial Neural Network (ANN).

Berikut ini adalah pelbagai aspek pengambilan keputusan:

Phase Description Examples of Tools

Early Compute “crunch numbers”, summarize,

organize. Calculators, early computer programs, statistical models, simple management science models.

(10)

Phase Description Examples of Tools

information. systems. Management science models. Current Perform decision-relevant computations on

decision-relevant information; organize and display the results. Query-based and user-friendly approach. “What-if” analysis.

Interact with decision makers to facilitate formulation and execution of the intellectual steps in the process of decion making.

Financial models, spreadsheets, trend exploration, operations research models, CAD systems, DSS.

ES; EIS.

Just beginning Complex and fuzzy decisions situations, expanding to collaborative decision making and to machine learning.

Second generation of ES, GDSS, neural computing.

Evolusi dari MSS dan hubungannya dengan sistem yang lain umumnya dipandang sebagai: rekomendasi dan saran yang disediakan oleh MSS ke manajer dapat dipertimbangkan sebagai informasi yang diperlukan untuk keputusan akhir yang akan dibuat.

Pendekatan ini berarti bahwa MSS dipandang canggih, jenis sistem informasi tingkat tinggi yang dapat ditambahkan pada sistem TPS tradisional, OAS, MIS.

Hubungan antara TPS, MIS, DSS, EIS, dan ES dan teknologi-teknologi yang lain:

Pelbagai teknologi ini dapat dipandang sebagai klas yang unik dari teknologi informasi.

Mereka saling berhubungan, dan mereka saling mendukung satu sama lain dalam pelbagai manajemen pengambilan keputusan.

Evolusi dan pembuatan tool-tool yang lebih baru membantu kinerja pengembangan teknologi informasi untuk kebaikan manajemen dalam organisasi.

Keterkaitan dan koordinasi diantara tool-tool ini masih berevolusi. Atribut dari sistem pendukung terkomputerisasi utama:

Dimension Transactions Processing Systems (TPS) Management Information Systems (MIS) Decision Support

Systems (DSS) Expert System (ES) Executive Information

Systems (EIS) Applications Payroll, inventory, record keeping, production and sales information Production control, sales forecasting, monitoring Long-range strategic planning, complex integrated problem areas Diagnosis strategic planning, internal control planning, strategies Support to top management decision, environmental scanning Focus Data transactions Information Decisions,

flexibility, user friendliness Inferencing, transfer of expertise Tracking, control, “Drill down”

Database Unique to each application,

batch update

Interactive access

by programmers Database management systems, interactive access, factual knowledge Procedural and factual knowledge; knowledge base (facts, rules) External (online) and corporate, enterprise wide access (to all data bases)

Decision

capabilities No decisions Structured routing problems using conventional management science tools Semistructured problems, integrated management science models, blend of judgment and modeling The system makes complex decisions, unstructured; use of rules (heuristics) Only when combined with a DSS

Manipulation Numerical Numerical Numerical Symbolic Numeric (mainly); some symbolic Type of

information Summary reports, operational Scheduled and demand reports, structured flow, exception reporting Information to support specific decisions Advice and

explanations Status access, exception reporting, key indicators Highest organizational level served Submanagerial,

low management Middle management Analysts and managers Managers and specialists Senior executives (only) Impetus Expediency Efficiency Effectiveness Effectiveness and

(11)

1.10. Pelbagai Perbedaan diantara MIS dan DSS.

Fitur dari DSS:

DSS dapat digunakan untuk mengawali kerja ad hoc, masalah-masalah yang tak diharapkan. DSS dapat menyediakan representasi valid dari sistem di dunia nyata.

DSS dapat menyediakan pendukungan keputusan dalam kerangka waktu yang pendek/terbatas.

DSS dapat berevolusi sebagai mana halnya pengambil keputusan mempelajari tentang masalah-masalah yang dihadapinya.

DSS dapat dikembangkan oleh para profesional yang tak melibatkan pemrosesan data. Karakteristik MIS:

Kajiannya ada pada tugas-tugasnya yang terstruktur, dimana prosedur operasi standar, aturan-aturan keputusan, dan alur informasi dapat didefinisikan

Hasil utamanya adalah meningkatkan efisiensi dengan mengurangi biaya, waktu tunggu, dan lain-lain, dan dengan mengganti karyawan klerikal.

Relevansinya untuk manajer pengambil keputusan biasanya tak langsung didapatkan; misalnya dengan penyediaan laporan dan akses ke data.

Karakteristik Operation Research/Management Science:

Kajiannya ada pada masalah-masalah yang terstruktur (dibandingkan dengan tugas-tugas), dimana tujuan, data, dan batasan-batasan dapat lebih dulu ditentukan.

Hasil utamanya adalah dalam menghasilkan solusi yang lebih baik untuk masalah-masalah tertentu.

Relevansinya untuk manajer ada pada rekomendasi detil dan metodologi baru untuk menangani masalah-masalah yang kompleks.

Karakteristik DSS:

Kajiannya ada pada keputusan-keputusan dimana ada struktur yang cukup untuk komputer dan alat bantu analitis yang memiliki nilai tersendiri, tetapi tetap pertimbangan manajer memiliki esensi utama.

Hasil utamanya adalah dalam peningkatan jangkauan dan kemampuan dari proses pengambilan keputusan para manajer untuk membantu mereka meningkatkan efektivitasnya. Relevansinya untuk manajer adalah dalam pembuatan tool pendukung, di bawah pengawasan

mereka, yang tak dimaksudkan untuk mengotomatiskan proses pengambilan keputusan, tujuan sistem, atau solusi tertentu.

Relasi antara EDP, MIS, and DSS:

EDP DSS Transaction Processing Operational Control Managerial Control Strategic Planning MIS

1.11. Hubungan antara Decision Support-Expert System.

DSS dan ES berbeda dan tak berhubungan dengan sistem yang terkomputerisasi.

Disiplin antara ES dan DSS berkembang pararel, tapi saling tak tergantung dan berjalan sendiri-sendiri. Cuma sekarang kita bisa mencoba menggabungkan potensi dari keduanya.

Menurut kenyataannya, disebabkan karena perbedaan kapabilitas diantara kedua tool, mereka dapat mengkomplemen satu sama lain, membuatnya menjadi powerful, terintegrasi, sistem yang berbasis komputer, yang jelas dapat meningkatkan pengambilan keputusan manajerial.

(12)

1.12. Dukungan dari Pengambilan Keputusan.

Perbedaan antara DSS dan ES:

DSS ES

Objective Assist human decision maker Replicate (mimic) human advicers and replace them

Who makes the

recommendations (decisions)? The human and/or the system The system

Major orientation Decision making Transfer of expertise (human-machine-human) and rendering the advice

Major query direction Human queries the machine Machine queries the human Nature of support Personal, groups, and institutional Personal (mainly), and groups Manipulation method Numerical Symbolic

Characteristics of problem area Complex, integrated wide Narrow domain Type of problems Ad hoc, unique Repetitive

Content of database Factual knowledge Procedural and factual knowledge Reasoning capability No Yes, limited

Explanation capability Limited Yes Proses pengambilan keputusan:

1. Step A. Mengerti masalah (atau kesempatan yang ada). ES dapat membantu dalam mendesain alur informasi pada eksekutif (misalnya, bagaimana untuk memonitor, kapan) dan dalam penginterpretasian informasi. Disebabkan beberapa informasi bersifat fuzzy, maka kombinasi antara ES dan ANN tentu akan membantu. Seluruh area dari proses scanning, monitoring, forecasting (misalnya, tren) dan penginterpretasian sangat dibantu oleh adanya komputerisasi. Demikian juga natural language processors (NLP) akan berguna dalam menyimpulkan informasi.

2. Step B. Analisis. Sekali suatu masalah (kesempatan) teridentifikasi, pertanyaan selanjutnya adalah apa yang harus dikerjakan dengan hal ini? Di sinilah langkah analisis berperanan. Analisis bisa bersifat kualitatif atau pun kuantitatif (atau kombinasinya). Analisis kuantitatif didukung oleh DSS dan oleh tool-tool analisis kuantitatif. Analisis kualitatif didukung oleh ES. 3. Step C. Memilih. Pada langkah ini, keputusan dibuat dengan memperhatikan masalahnya (atau

kesempatan) berdasarkan hasil dari analisis. Langkah ini didukung oleh DSS (jika pengambil keputusan adalah seseorang) atau oleh GDSS (jika keputusan dibuat oleh sekelompok orang). 4. Step D. Implementasi. Pada tahap ini, keputusan untuk mengimplementasikan solusi tertentu

dilakukan, dan DSS dan/atau ES bisa mendukung tahap ini.

(13)

Sources of Information and Knowledge

People Newspapers TV Sensors

Problem identification (Definition) (Intelligence) Decision (Choice) Qualitative analysis (Design) Quantitative analysis (Design) ES DSS MS/ or ANN Step C Step B

Step A EIS (ESS)

ES, NLP, ANN EIS, MIS GDSS (Groups) DSS (Individual) Implement? Decision (Choice) Step D DSS and ES No Scanning

1.13. Hybrid Support Systems.

Tujuan dari Computer-Based Information System (CBIS) adalah untuk membantu manajemen dalam memanajemen penyelesaian atau mengorganisasi masalah lebih cepat dan baik daripada tanpa menggunakan komputer.

Kata kuncinya adalah solusi yang tepat dari manajemen permasalahan, dan bukannya tool atau teknik yang digunakan dalam proses.

Beberapa pendekatan yang mungkin:

Gunakan setiap tool dengan caranya sendiri-sendiri untuk menyelesaikan aspek yang berbeda dari suatu masalah.

Gunakan pelbagai tool yang tidak begitu terintegrasi.

Gunakan pelbagai tool yang secara kuat terintegrasi. Dalam hal ini tool-tool akan berlaku sebagai sistem hybrid/persilangan ke user, dimana transfer dari data dan aktivitas lain diprogram ke dalam MSS yang terintegrasi.

1.14. Computer-Based Information Systems di Departemen

Personalia.

Category Task

Transaction

Processing Keep inventory of personnel. Prepare payroll; compute salaries and incentive plans. Management

Information System Prepare summary reports (e.g., average salaries in each department). Conduct performance tracking of employees, labor budget. Do preparation, monitoring, and analysis. Perform short-term scheduling. Match positions and candidates. Monitor positions control systems. Do fringe benefits monitoring and control. Decision Support

Systems Prepare special reports (e.g., safety records, equal opportunity achievements). Do long-range planning for human resources. Design a compensation plan. Provide quantitative support of labor-management negotiation.

Expert Systems Obtain advice on legal and tax implications during management labor negotiations. Develop a social responsibility plan. Select training media. Design comprehensive training programs. Help in selecting new employees.

(14)

Category Task

Office Automation Do online job interviews and recruiting, schedule meetings, maintain mailing lists, schedule training, use for electronic mail, receive labor news and statistics online, prepare training materials.

Executive

Information System Exists at the corporate level only. Will measure key performance indicators of the department (such as dollar per employee). Group DSS Can be used for supporting the process of making controversial major

decisions (e.g., personnel policies).

Neural Computing Screen applicants for jobs. Analyze reasons why people leave the company (find patterns).

1.15. Kesimpulan.

Perkembangan komputer demikian cepatnya dan juga penggunaannya oleh para manajer. MSS adalah keluarga teknologi yang dapat digunakan secara mandiri atau dalam bentuk

kombinasinya.

Dukungan terkomputerisasi untuk para manajer sangat penting dalam pelbagai kasus untuk kelanjutan organisasinya.

Manejemen pengambilan keputusan makin lama makin kompleks. Maka metode intuisi dan trial and error tak tepat lagi.

Kerangka dukungan keputusan membagi kondisi keputusan dalam 9 kategori, tergantung pada derajat struktur dan aktivitas manajerial. Setiap kategori mendapat dukungan komputer sendiri-sendiri.

Keputusan yang terstruktur didukung oleh metode analisis kuantitatif seperti: management science dan capital budgeting.

DSS adalah teknologi analitis yang menggunakan model untuk solusi yang semi terstruktur dan masalah-masalah tak terstruktur.

Group DSS adalah teknologi yang mendukung proses pengambilan keputusan dalam suatu group.

EIS adalah teknologi yang mendukung eksekutif dengan menyediakan bagi mereka informasi yang sedia setiap saat, detil, dan mudah untuk divisualisasikan.

ES adalah sistem pemberi nasehat yang mencoba menirukan para pakar.

Fitur utama dari ES adalah aplikasinya untuk pengetahuan dan penggunaan reasoning (alasan suatu keputusan).

Komputasi saraf (neural computing) adalah teknologi yang mencoba menampilkan proses pembelajaran dan pengenalan pola.

Semua teknologi MSS adalah interaktif.

Keuntungan utama dari MSS adalah ia dapat diukur.

Teknologi-teknologi MSS dapat diintegrasikan diantara mereka sendiri dan dengan CBIS yang lain.

Teknologi-teknologi MSS dapat diterapkan pada satu lokasi atau mereka dapat didistribusikan di keseluruhan perusahaan.

(15)

Bab 2 Penggunaan Artificial Intelligence (AI)

BAB 2

PENGGUNAAN

ARTIFICIAL INTELLIGENCE (AI)

2.1. Definisi.

AI didasarkan atas 2 ide dasar. Pertama, ini adalah hal yang berhubungan dengan studi proses berpikir manusia (untuk memahami apakah kecerdasan itu); yang kedua ia berhubungan dengan representasi proses-proses tadi melalui mesin (komputer, robot, dan lain-lain).

AI adalah perilaku mesin, yang menampilkan perilaku manusia, yang disebut dengan kecerdasan. AI adalah studi bagaimana membuat komputer melakukan sesuatu hal pada suatu waktu, untuk manusia, secara lebih baik. AI secara dasar adalah teori bagaimana pemikiran manusia bekerja.

3 tujuan yang diinginkan AI:

1. Membuat mesin lebih pintar (tujuan utama).

2. Memahami apakah sebenarnya kecerdasasan itu (tujuan mulianya). 3. Membuat mesin lebih berguna (tujuan di sektor swasta).

Beberapa kemampuan yang merupakan tanda dari kecerdasan:

Belajar atau mengerti dari pengalaman.

Bereaksi terhadap pesan-pesan yang memiliki makna ganda atau berlawanan. Respon sigap dan berhasil atas situasi baru (respon yang berbeda, fleksibelitas).

Penggunaan alasan dalam menyelesaikan permasalahan dan memimpinnya dengan cara yang efektif.

Berhubungan dengan situasi yang berubah-ubah.

Mengerti dan menghasilkan dalam cara yang rasional dan umum digunakan. Menggunakan pengetahuan untuk memanipulasi lingkungan.

Berpikir dan memberi alasan.

Mengenali elemen-elemen yang secara relatif penting dalam situasi tertentu.

Symbolic Processing.

Untuk merepresentasikan hal-hal yang ingin diselesaikan dengan AI. AI merepresentasikan pengetahuan sebagai sekumpulan simbol yang berhubungan dengan konsep permasalahannya. Dalam AI, simbol adalah string dari karakter yang mencerminkan konsep dari dunia nyata. Contohnya:

Product Defendant 0.8

Simbol ini dapat dikombinasikan untuk mengekspresikan hubungan yang berarti. Jika relasi ini direpresentasikan dalam suatu program AI, maka mereka disebut dengan symbol structures. Contoh:

(DEFECTIVE product)

(LEASED-BY product defendant) (EQUAL (LIABILITY defendant) 0.8)

Struktur ini dapat diinterpretasikan untuk memahami bahwa “the product is defective”, “the product is leased by the defendant”, dan “the liability of the defendant is 0.8”. Tapi bisa juga mereka ini diinterpretasikan dengan yang lain. Dan ini merupakan salah satu masalah jika membangun suatu sistem AI.

Untuk menyelesaikan suatu masalah, program AI akan memanipulasi simbol-simbol ini. Konsekuensinya adalah representasi pengetahuan – pemilihan, bentuk, dan interpretasi dari simbol yang digunakan – menjadi sangat penting.

Symbolic processing adalah karakteristik penting dari AI yang merefleksikan definisi berikut ini: AI adalah cabang dari computer science yang berhubungan dengan symbolic, nonalgorithmic method dari penyelesaian suatu masalah.

1. Numeric vs. symbolic. Komputer didesain untuk memproses bilangan, sedangkan manusia lebih cenderung berpikir secara simbolik. Walaupun tak diartikan bahwa AI tak melibatkan matematika, AI ditekankan pada manipulasi simbol.

2. Algorithmic vs. nonalgorithmic. Algoritma adalah prosedur langkah demi langkah yang di dalamnya sudah ditentukan dengan baik bagaimana langkah awal dan hasil akhirnya, sehingga bisa memberikan kepastian terhadap masalah yang spesifik. Computer bekerja dengan cara ini,

(16)

sedangkan proses reasoning manusia bekerja dengan cara yang nonalgorithmic. Aktivitas mental lebih dari sekedar mengikuti logika ataupun prosedure langkah demi langkah tadi.

Heuristics.

Heuristik atau disebut juga metode aturan jempol (rule of thumb, cara bodoh-bodohan) termasuk elemen kunci dari AI dalam definisi berikut ini: AI adalah cabang dari computer science yang berhubungan dengan cara untuk merepresentasikan pengetahuan menggunakan simbol lebih daripada bilangan, dan dalam memproses informasinya menggunakan metode aturan jempol atau heuristik.

Orang lebih sering menggunakan cara bodoh-bodohan ini, dengan atau tanpa sadar dalam mengambil keputusan. Dengan menggunakan heuristik, orang tak perlu berpikir dua kali apa yang harus dikerjakan setiap saat menemui masalah yang sama.

Inferencing.

AI melibatkan perilaku mesin dalam memberikan alasan-alasan dari suatu tindakan yang diambil. Proses pemberian alasan ini (reasoning) ini terdiri dari inferencing (penggalian/penemuan kembali) dari fakta-fakta dan aturan-aturan menggunakan heuristik atau metode pencarian lainnya. AI secara unik melakukan proses inferencing ini dengan melakukan pendekatan pengenalan pola.

Pengenalan Pola.

Definisi AI berikut ini berkutat pada teknik pengenalan pola: AI bekerja dengan metode pengenalan pola yang bertujuan untuk menjelaskan objects (obyek), events (kejadian), atau proses-proses pada aspek kualitatif dan logika serta hubungan komputasinya.

2.2. AI Dibandingkan dengan Natural Intelligence.

Nilai potensial AI dapat dipahami lebih dalam dengan membandingkannya dengan kecerdasan alami manusia. AI memiliki keuntungan komersial seperti:

AI lebih permanen.

AI lebih mudah untuk diduplikasi dan disebarluaskan. AI lebih murah.

AI lebih mudah didokumentasikan.

AI lebih cepat mengerjakan beberapa tugas tertentu. AI lebih baik dalam mengerjakan beberapa tugas tertentu.

Namun demikian, kecerdasan alami memiliki juga kelebihan dibandingkan AI:

NI adalah kreatif, sedangkan AI agak memiliki kelemahan dalam memasukkan pengetahuan padanya, yaitu harus dalam sistem yang terbangun dengan baik.

NI menjadikan manusia bisa memetik keuntungan dari use sensory experience (sensasi pengalaman yang terjadi) secara langsung, sedangkan kebanyakan AI hanya bisa bekerja dengan input-input simbolik.

Yang terpenting, human reasoning mampu untuk menangani pelbagai hal pada setiap waktu dari pengalaman yang luas dan baru dibawa kepada permasalahan yang lebih individual; di sisi lain, AI mendapatkan keuntungan dari fokus yang lebih sempit.

2.3. Knowledge pada AI.

Dalam lapangan sistem informasi, ada kebingungan dalam istilah data, informasi, dan knowledge (pengetahuan).

Data.

Istilah data mengacu pada string numeric (atau alphanumeric) yang tak memiliki arti apa-apa. Bisa berupa fakta-fakta atau gambar yang akan diproses.

Information.

Informasi adalah data yang terorganisasi sehingga memiliki arti bagi orang yang menerimanya.

Knowledge.

Memiliki pelbagai definisi, yaitu:

Persepsi yang jelas dan pasti dari suatu hal. Pemahaman.

Pembelajaran.

Semua hal yang dipersepsikan atau dipegang teguh oleh hati. Pengalaman praktis, ketrampilan.

(17)

Kemudahan pengaksesan atau mudah untuk dikenal. Cognizance; pengenalan.

Informasi terorganisasi yang teraplikasi pada penyelesaian masalah.

Penggunaan Knowledge.

Walaupun komputer tidak mempunyai pengalaman atau studi dan belajar seperti halnya yang terjadi pada batin manusia, tapi komputer dapat menggunakan knowledge yang diberikan oleh pakar manusia. Knowledge ini terdiri dari fakta, konsep, teori, metode heuristik, prosedur, dan hubungan diantaranya. Knowledge juga merupakan informasi yang diorganisasi dan dianalisis untuk membuatnya dimengerti dan dapat diaplikasikan dalam penyelesaian masalah atau pengambilan keputusan. Koleksi dari knowledge yang berelasi ke suatu masalah (atau peluang) yang digunakan dalam sistem AI disebut dengan knowledge base. Kebanyakan basis pengetahuan ini terbatas pada fokus daerah subyek atau domainnya yang spesifik, malah biasanya sempit.

Sekali basis pengetahuan dibangun, teknik AI dapat digunakan untuk menghasilkan kemampuan inferensi pada komputer.

Basis-basis pengetahuan dan organisasi berbasis pengetahuan.

Data, informasi, dan knowledge dapat diklasifikasikan berdasarkan derajat abstraksi dan kuantitasnya. High Degree of Abstraction Low Data Information Knowledge Quantity

2.4. Bagaimana AI Berbeda dengan Komputasi Konvensional.

Komputasi konvensional bertumpu pada suatu algoritma yang sudah didefinisikan dengan jelas, prosedur langkah demi langkah untuk menyelesaikan masalah. Bisa berupa rumus matematika atau prosedur berurutan yang menuju pada solusi. Algoritma ini dikonversikan ke dalam program komputer.

Komputasi AI berbasis pada representasi simbolik dan manipulasinya.

Gambar di bawah mengilustrasikan konsep komputer yang menggunakan AI pada aplikasinya:

Computer Inputs (Questions, Problems, etc.) Knowledge Base Inferencing Capability Outputs (Answers, Alternative Solutions, etc.)

Sedangkan tabel di bawah ini menjelaskan pelbagai cara pengolahan data secara tradisional:

Process Manipulation

Calculate Perform mathematical operations such as add, substract, multiply, divide, find a square root, etc. Solve formulas.

Perform logic Perform logic operations such as “and”, “or”, “invert”, etc. Store Remember facts and figures in files.

Retrieve Access data stored in files as required. Translate Convert data from one form to another.

Sort Examine data and put it into some desired order to format.

Edit Make changes, additions, and deletions to data and change its sequence. Make structured decisions Reach simple conclusions based on internal or external conditions.

Monitor Observe external or internal events and take action if certain conditions are met. Control Take charge of or operate external devices.

(18)

Software AI menampilkan proses reasoning dan inferencing menggunakan teknik dasar search (pencarian) dan pattern matching (pengenalan pola).

Walaupun AI menyelesaikan permasalahan tidak secara langsung menggunakan proses algoritmis, jelas algoritma diimplementasikan dalam proses search ini.

Sebagai peringatan, orang percaya bahwa AI adalah magic. Jelas bukan!. AI secara mendasar berbeda dengan pendekatan pemrograman komputer, dan tentu harus diperlakukan seperti itu. Pelbagai istilah berbeda digunakan untuk AI, yang jelas AI adalah CBIS, walaupun memiliki pelbagai karakteristik seperti di bawah ini:

Dimension Artificial Intelligence Conventional

Programming

Processing Mainly symbolic Primarily computing Nature of input Can be incomplete Must be complete

Search Heuristic (mostly) Algorithms Explanation Provided Usually not provided

Major interest Knowledge Data, information

Structure Separation of control from knowledge Control integrated with information (data)

Nature of output Can be incomplete Must be correct Maintenance and update Relatively easy, due to modularity Usually difficult Hardware Mainly workstations and personal computers All types Reasoning capability Yes No

2.5. Bidang AI.

(19)

Bab 2 Penggunaan Artificial Intelligence (AI) Linguistics A B C E F G H I J K M O D L N P Computer Science A Psycholingustics B Sociolingustics C Computational Lingustics D Adaptive Systems E Cognitive Psychology F Philosophy G Philosophy of Language H Logic I Robotics J Image Processing K Pattern Recognition L Management

Psychology Philosopy Electrical

Engineering Management and Management Science M Mathematics/Statistics N Operations Research O Management Information Systems P Biology Computer Vision Expert Systems Speech Understanding Robotics Intelligent Tutor Natural Language Processing Automatic Program-ming Machine Learning Game Playing

The

AI

TREE

Expert System.

Adalah program pemberi advis/nasehat yang terkomputerisasi yang ditujukan untuk meniru proses reasoning dan pengetahuan dari pakar dalam menyelesaikan permasalahan masalah yang spesifik. Bidang ini digunakan lebih banyak daripada penggunaan bidang-bidang AI lainnya. ES menarik minat yang besar dalam suatu organisasi disebabkan kemampuannya dalam meningkatkan produktifitas dan dalam meningkatkan gugus kerja di pelbagai bidang tertentu dimana pakar manusia akan mengalami kesulitan dalam mendapatkan dan mempertahankan kemampuan itu.

Pakar manusia cenderung untuk menjadi spesialis dalam bidang keahlian tertentu yang relatif sempit. Umumnya pakar memiliki karakteristik ini: mereka menyelesaikan masalah dengan cepat dan cukup akurat, menjelaskan what/apa (dan terkadang how/bagaimana) yang mereka kerjakan, mempertimbangkan reliabelitas konklusinya, mengetahui kapan jalan buntu menghadang, dan mereka berkomunikasi dengan para pakar lainnya. Mereka juga belajar dari pengalaman, mengubah cara pandangnya untuk menyesuaikan dengan masalah, juga mentransfer pengetahuan dari satu domain ke domain yang lain. Akhirnya, mereka menggunakan pelbagai tool, seperti aturan jempol, model matematis, dan simulasi detil untuk mendukung keputusan yang diambil.

Knowledge adalah sumber utama, dan ini seringkali cuma dimiliki oleh sebagian kecil pakar. Tentu saja diperlukan untuk menyimpan knowledge ini sehingga orang lain dapat menggunakannya. Sang pakar bisa saja menderita sakit atau meninggal dunia dan knowledge yang biasanya ada menjadi tiada lagi. Buku dan manual bisa saja menyimpan pelbagai knowledge, tetapi ini juga memberikan persoalan lain dalam aplikasi menampilkan kembali knowledge itu kepada orang yang membutuhkannya. ES menyediakan pengertian langsung dari aplikasi kepakaran.

(20)

Tujuan dari ES bukanlah menggantikan para pakar, tetapi hanya untuk membuat knowledge dan pengalaman para pakar itu tersimpan dan tersedia lebih luas dan leluasa. Umumnya, memang lebih banyak masalah yang ada yang mendesak untuk diselesaikan daripada keberadaan para pakar untuk menangani pelbagai persoalan. ES mengijinkan orang lain untuk meningkatkan produktifitas, memperbaiki kualitas keputusannya, dan menyelesaikan masalah di saat seorang pakar tidak ada.

Natural Language Processing.

Teknologi bahasa alami memberikan komputer kemampuan untuk berkomunikasi dengan komputer lain dengan bahasa aslinya. Teknologi ini mengijinkan suatu jenis percakapan antarmuka, yang berbeda bila dibandingkan dengan istilah, sintaks, perintah programming language.

Bidang NLP ini dibagi menjadi 2 sub bidang:

 Natural language understanding, mempelajari metode yang menjadikan komputer memahami perintah-perintah yang diberikan dalam bahasa Inggris, sehingga komputer dapat lebih mudah memahami manusia.

 Natural language generation, dibuat agar komputer bisa berbahasa Inggris umum, sehingga manusia lebih mudah memahami komputer.

2.6. Kesimpulan.

AI adalah bidang lintas disiplin yang dapat didefinisikan dengan pelbagai cara.

Tujuan utama dari AI adalah untuk membangun komputer yang dapat menampilkan unjuk kerja yang berkarakter cerdas.

Karakteristik utama dari AI adalah pemrosesan simbolik, menggunakan metode heuristik lebih daripada algoritma, dan merupakan aplikasi yang menerapkan teknik inferencing.

AI memiliki pelbagai keuntungan buat manusia: dia permanen, mudah diduplikasi dan disebarluaskan, lebih murah dibandingkan dengan harga kecerdasan manusia, konsisten dan menyeluruh, dan dapat didokumentasikan.

Natural (human) intelligence memiliki pelbagai keuntungan dibandingkan AI: dia kreatif, menggunakan sensasi pengalaman secara langsung, alasan keputusannya berasal dari pengalaman yang berkonteks luas.

Dibandingkan data ataupun informasi, knowledge merupakan konsep kunci dari AI.

Knowledge base adalah koleksi dari knowledge yang berhubungan dengan isu yang spesifik (masalah atau peluang).

Kita bergerak ke dalam era knowledge-based organizations.

Aplikasi AI dapat diprogram ke dalam bahasa pemrograman komputer konvensional seperti halnya bahasa AI khusus (misalnya LISP, PROLOG).

Dalam komputasi konvensional kita memberitahu komputer bagaimana menyelesaikan masalah. Dalam AI kita memberitahu komputer apakah masalahnya itu dan memberikan kepadanya knowledge yang diperlukan untuk menyelesaikan permasalahan yang serupa dan prosedur-prosedur yang diperlukan untuk menggunakan knowledge itu.

Semua komputer digital dalam operasinya bersifat algorithmic, tetapi mereka dapat diprogram untuk memanipulasi simbol.

Teknik dasar dari reasoning adalah search dan pattern matching.

Di samping kenyataan bahwa komputasi AI tak dapat berpikir, ia akan lebih memiliki arti dengan meningkatkan pelbagai cara bagaimana komputer digunakan.

Bidang aplikasi utama AI adalah ES, NLP, speech understanding, intelligent robotics, computer vision, dan intelligent computer-aided instruction.

ES, teknologi Ai yang paling banyak diaplikasikan, mencoba untuk menirukan kerja dari pakar. Mereka mengaplikasikan kepakaran ini dalam penyelesaian masalah.

NLP mencoba untuk menjadikan user berkomunikasi dalam bahasa aslinya dengan komputer. Penggunaan keyboard adalah umum terjadi, tetapi sekarang dengan suara (voice) pun hal ini sudah bisa dilakukan.

Speech understanding mengijinkan orang berkomunikasi dengan komputer melalui suara. Intelligent robot adalah salah satu robot yang dapat merespon pelbagai perubahan dalam

lingkungannya. Pada masa ini hal ini sudah tak asing lagi.

Computer vision mengijinkan interpretasi gambar atau pelbagai obyek tampak lainnya.

Komputer dapat digunakan sebagai pemandu. Jika ia didukung oleh AI, maka dia dapat meningkatkan pembelajaran dan peningkatan ketrampilan.

Pelbagai teknologi AI dapat diintegrasikan diantara mereka sendiri dan dengan pelbagai teknologi berbasis komputer yang lain.

(21)

Bab 3 Expert System

BAB 3

EXPERT SYSTEM

ES diturunkan dari istilah Knowledge-Based Expert System. ES adalah sistem yang mendapatkan dan menyimpan knowledge manusia ke dalam komputer untuk menyelesaikan permasalahan yang biasanya membutuhkan kepakaran seorang ahli.

Area/bidang kepakaran ini disebut dengan domain. Pengembangan ES terindikasi pada hal-hal di bawah ini:

Ketersediaan pelbagai tool yang didesain untuk memudahkan pembangunan ES dan mengurangi biayanya.

Penyebarluasan ES pada ribuan organisasi, beberapa diantaranya menggunakan ratusan atau malah ribuan sistem yang spesifik.

Integrasi ES dengan pelbagai CBIS yang lain berkembang makin pesat, khususnya integrasi dengan database dan DSS.

Penggunaan ES semakin meningkat pada pelbagai hal, mulai dari sistem help sampai ke aplikasi bidang militer dan ruang angkasa.

Penggunaan teknologi ES sebagai metodologi yang mempermudah pembangunan sistem informasi reguler.

Peningkatan penggunaan object-oriented programming (OOP) dalam representasi knowledge. Pengembangan sistem utuh memiliki pelbagai sumber knowledge, reasoning, dan informasi

fuzzy.

Penggunaan multiple knowledge base.

3.1. Konsep Dasar ES.

Expertise/Kepakaran.

Kepakaran adalah knowledge yang ekstensif, spesifik yang didapatkan dari training, membaca, dan pengalaman. Pelbagai jenis knowledge di bawah ini adalah contoh dari kepakaran:

Fakta menganai area/daerah masalah. Teori mengenai area masalah.

Aturan dan prosedur berkaitan dengan area masalah secara umum.

Rules (heuristic) dari apa yang harus dikerjakan pada situasi masalah tertentu (contoh aturan yang berkaitan dengan penyelesaian masalah).

Strategi global untuk menyelesaikan masalah tertentu.

Meta-knowledge (knowledge mengenai knowledge itu sendiri).

Expert/Pakar.

Aktualnya adalah derajat atau level dari kepakaran.

Umumnya, kepakaran seorang manusia terdiri dari aktivitas berikut ini: Mengenali dan merumuskan masalah.

Menyelesaikan masalah secara cepat dan layak. Menjelaskan solusinya.

Belajar dari pengalaman. Me-restrukturisasi knowledge. Breaking rules.

Menentukan relevansi.

Menguraikan dengan bijak (sesuai dengan keterbatasannya).

Fakta mengenai Kepakaran.

Kepakaran biasanya diasosiasikan dengan kecerdasan tingkat tinggi tetapi ini tidak mesti berhubungan dengan orang tercerdas.

Kepakaran biasanya diasosiasikan dengan kuantitas knowledge. Pakar belajar dari keberhasilan dan kegagalan masa lalu.

Knowledge dari seorang pakar disimpan dengan baik, diorganisasi, dan dapat dicari lagi dengan cepat.

(22)

Bab 3 Expert System

Di bawah ini adalah diagram distribusi kepakaran:

0 5 10 15 20 25 30 35 1 2 3 4 5 6 7 8 9 10 Deciles % Average

Senior experts Juniors

2 tipe knowledge yang dapat dibedakan adalah: fakta dan prosedur (biasanya rule) yang berkaitan dengan domain permasalahan.

Inferencing.

Fitur khas dari ES adalah kemampuan untuk reasoning. Kenyataan bahwa kepakaran disimpan dalam suatu knowledge base dan bahwa program memiliki akses ke database, maka komputer diprogram sehingga dapat berinterferensi. Intererencing ini dilakukan oleh komponen yang disebut inference engine, yang di dalamnya terdapat prosedur-prosedur yang berkaitan dengan penyelesaian masalah.

Di bawah ini adalah perbedaan antara Conventional Systems dan ES:

Conventional Systems Expert Systems

Information and its processing are usually combined in one sequential program.

Knowledge base is clearly separated from the processing (inference) mechanism (i.e., knowledge rules separated from the control).

Program does not make mistakes

(programming do). Program may make mistakes. Do not (usually) explain why input data are

needed or how conclusions were drawn.

Explanation is a part of most ES.

Changes in the program are tedious. Changes in the rules are easy to accomplish. The system operates only when it is

completed. The system can operate with only a few rules (as the first prototype). Execution is done on a step-by-step

(algorithmic) basis. Execution is done by using heuristics and logic. Effective manipulation or large databases. Effective manipulation of large knowledge bases. Representation and use of data. Representation and use of knowledge.

Efficiency is a major goal. Effectiveness is the major goal. Easily deal with quantitative data. Easily deal with qualitative data. Capture, magnify, and distribute access to

numeric data or to information. Capture, magnify, and distribute access to judgment and knowledge.

Rules.

Kebanyakan ES komersial menggunakan sistem yang berbasis rule (rule-based system); yaitu knowledge disimpan dalam bentuk rule-rule, yang merupakan prosedur untuk menyelesaikan masalah.

Kemampuan Menjelaskan.

Fitur unik lain dari ES adalah kemampuan untuk menjelaskan nasehat atau rekomendasi yang diberikan. Penjelasan dan justifikasi ini dilakukan oleh subsistem yang disebut dengan justifier atau explanation subsystem. Ini menjadikan sistem dapat memeriksa reasoningnya dan menjelaskan operasi-operasi yang dilakukan.

(23)

Bab 3 Expert System

3.2. Struktur ES.

ES dibagi menjadi 2 bagian utama: development environment dan consultation (runtime) environment. Lingkungan pengembangan digunakan oleh ES builder untuk membangun komponen dan untuk membawa knowledge ke dalam knowledge base. Lingkungan konsultasi digunakan oleh orang yang bukan ahli untuk mendapatkan knowledge dan saran setara pakar.

Komponen yang ada dalam ES:

Knowledge acquisition subsystem [human experts, textbooks, researc reports]. Knowledge base [facts: situation & theory, heuristics or rules].

Inference engine [interpreter, scheduler, consistency enforcer]. Blackboard (workplace) [plan, agenda, solution].

User.

User interface [friendly, problem oriented].

Explanation subsystem (justifier) [what, how, why].

Knowledge refining system [analyze performance, learn, improve].

Inference Engine.

Otak dari ES adalah Inference engine, disebut juga control structure atau the rule interpreter (pada rule-based ES). Komponen ini sebenarnya adalah program komputer yang menyediakan metodologi untuk reasoning mengenai informasi dalam knowledge base dan dalam “blackboard”, dan digunakan untuk merumuskan kesimpulan.

3 elemen utamanya adalah:

 Interpreter (rule interpreter dalam kebanyakan sistem), yang mengeksekusi item agenda yang dipilih dengan mengaplikasikannya pada knowledge base rule yang berhubungan.

 Scheduler, yang menjaga kontrol di sepanjang agenda. Memperkirakan akibat dari pengaplikasian inference rule yang menampakkan prioritas item atau kriteria lain pada agenda.  Consistency enforcer, yang mencoba menjaga konsistensi representasi solusi yang muncul. Di bawah ini adalah diagram struktur dari ES:

User Interface Recommended Action User Explanation Facility Inference Engine Draw Conclusions y Interpreter y Scheduler y Consistency Enforcer Knowledge Base Facts: What is Known about the

Domain Area

Rules: Logical Reference (e.g., Between Symptoms and Causes) Knowledge Engineer Knowledge Acquisition Expert Knowledge Knowledge Refinement Blackboard (Workplace) Plan Agenda Solution Problem Description Facts about the Specific Incident

CONSULTATION ENVIRONMENT

DEVELOPMENT ENVIRONMENT

Explanation Subsystem (Justifier).

Kemampuan untuk melacak kebenaran dari kesimpulan yang didapat dari sumber-sumbernya merupakan hal yang krusial baik dalam tranformasi kepakaran maupun dalam penyelesaian masalah. Bagian ini dapat melacak kebenaran dan menjelaskan perilaku ES dengan secara interaktif menjawab pertanyaan seperti ini:

(24)

Bab 3 Expert System

How was a certain conclution reached? Why was a certain alternative rejected?

What is the plan to reach the solution? For example, what remains to be established before a final diagnosis can be determined?

Knowledge Refining System.

Dengan ini pakar dapat menganalisis kinerja mereka, belajar daripadanya, dan meningkatkannya pada konsultasi berikutnya.

3.3. Elemen Manusia dalam ES.

Orang-orang yang terlibat dalam pengembangan dan penggunaan ES: 3. Pakar.

4. Knowledge Engineer. 5. User. Yang terdiri dari:

Klien yang bukan pakar yang menginginkan nasehat langsung. Disini ES bertindak sebagai konsultan atau advisor/penasehat.

Pelajar yang ingin belajar. ES disini bertindak sebagai instruktur.

ES Builder yang ingin meningkatkan knowledge base-nya. Disini ES bertindak sebagai partner. Pakar. ES disini bertindak sebagai kolega atau sebagai asisten.

6. Pihak lain. Misalnya: system builder, tool builder, vendor, staf pendukung. Lengkapnya dapat dilihat pada bagan di bawah ini:

TOOL BUILDER TOOLS, LANGUAGES VENDOR DOCUMENTED KNOWLEDGE KNOWLEDGE ENGINEER SYSTEM BUILDER EXPERT EXPERT SYSTEM SUPPORT STAFF END-USER Build Provide Use Use Acquire Knowledge Build Test Build Connect Use Support Tasks

3.4. Bagaimana ES Dibangun.

3 aktivitas pembangunan ES adalah: Pengembangan (development). Konsultasi (consultation). Peningkatan (improvement).

3.5. Bidang Permasalahan yang Ditangani ES.

Pada tabel berikut disajikan kategori umum dari ES:

Category Problem Addressed

Interpretation Inferring situation description from observations Prediction Inferring likely consequences of given situations Diagnosis Inferring system malfunctions from observations Design Configuring objects under constraints

Planning Developing plans to achieve goal(s)

Monitoring Comparing observations to plans, flagging exceptions Debugging Prescribing remedies for malfunctions

Repair Executing a plan to administer a prescribed remedy

Instruction Diagnosing, debugging, and correcting student performance

Control Interpreting, predicting, repairing, and monitoring system behaviors

3.6. Keuntungan

ES

Pelbagai keuntungan potensial yang bisa diperoleh dari ES adalah: Meningkatkan output dan produktivitas.

Meningkatkan kualitas.

(25)

Bab 3 Expert System

Mengatasi kelangkaan kepakaran. Fleksibelitas.

Pengoperasian peralatan lebih mudah.

Menghilangkan kebutuhan akan peralatan yang mahal. Operasi pada lingkungan yang membahayakan. Akses ke knowledge dan help desk (sistem bantuan). Kehandalan.

Meningkatkan kemampuan pelbagai sistem terkomputerisasi lainnya. Integrasi dari pelbagai opini para pakar.

Kemampuan bekerja dengan informasi yang tidak komplit dan tak pasti. Penyediaan pelatihan (training).

Peningkatan dalam hal penyelesaian masalah. Kemampuan menyelesaikan masalah yang kompleks. Transfer knowledge ke lokasi yang berbeda.

Peningkatan kepada CBIS lainnya.

3.7. Permasalahan dan Keterbatasan ES.

Di bawah ini adalah pelbagai hal yang menghambat ES: Knowledge tak selalu tersedia.

Kepakaran sulit diekstraksi dari manusia.

Pendekatan untuk setiap pakar pada situasi tertentu selalu berbeda, dan tak mesti benar. Walaupun pakar tersebut memiliki ketrampilan yang tinggi, sukar untuk mengabstraksikan

kepakarannya pada situasi tertentu, apalagi pakar tersebut bekerja di bawah tekanan. User dari ES memiliki batasan kognitif alamiah.

ES bekerja baik hanya pada domain yang terbatas/sempit.

Kebanyakan pakar tak memiliki rasa pengertian pengecekan yang independen walaupun konklusi mereka masuk akal.

Kosa kata, atau jargon, yang digunakan pakar untuk mengekspresikan fakta dan relasinya biasanya jarang digunakan dan dimengerti oleh orang lain.

Help seringkali dibutuhkan oleh knowledge engineer yang biasanya jarang tersedia dan mahal biayanya – sebuah fakta yang dapat membuat pembangunan ES lebih banyak memakan biaya. Kendala kepercayaan pada end-user bisa menghalangi penggunaan ES.

Transfer knowledge bergantung pada persepsi dan bisa bias dalam prasangka.

3.8. Jenis

ES.

ES muncul dalam pelbagai variasi.

 ES vs. Knowledge-based Systems. ES mendapatkan knowledge-nya dari para pakar, sedang KBS dari sumber-sumber terdokumentasi. KBS lebih murah dan lebih cepat dibangun dibandingkan ES.

 Rule-based Expert Systems. Knowledge direpresentasikan sebagai serangkaian rule-rule (production rules).

 Frame-based Systems. Knowledge direpresentasikan sebagai frame, yaitu representasi dari pendekatan Pemrograman Berbasis Objek (OOP).

 Hybrid Systems. Melibatkan pelbagai pendekatan representasi knowledge, paling tidak frame dan rule, tapi biasanya lebih dari itu.

 Model-based Systems. Tersusun di sekitar model yang mensimulasikan struktur dan fungsi dari sistem yang dipelajari. Model digunakan untuk menghitung nilai-nilai, yang dibandingkan dengan sedang diamati. Pembandingan tersebut memicu aksi (jika diperlukan) atau diagnosis lebih lanjut.

 Sistem yang diklasifikasikan oleh sifat alamiahnya. Ada 3 jenis. (1) berhubungan dengan evidence gathering (pengumpulan bukti-bukti), (2) stepwise refinement system. Sistem ini berhubungan dengan sejumlah besar keluaran dari level-level detil sesudahnya. (3) stepwise assembly, dimana domain subjek dapat mempunyai jumlah yang luar biasa besar keluaran yang mungkin. Jenis khusus dari ini disebut dengan catalog selection. Sistem ini berhubungan dengan masalah seperti pemilihan bahan kimia, baja yang benar.

 Sistem siap pakai (Off-the-Shelf Systems). Sebagai hasil dari produksi masal membuatnya lebih murah dibandingkan dengan sistem yang memenuhi keinginan user (customized system). Sayangnya sistem ini bersifat terlalu umum, dan nasehat/advis yang dihasilkan mungkin tak bernilai pada user yang dihadapkan pada situasi yang kompleks.

(26)

Bab 3 Expert System

 Real-time Expert Systems. Sistem ini berkenaan dengan waktu, jadi harus cukup cepat mengontrol proses terkomputerisasi. Sistem selalu menghasilkan respon sesuai waktu yang diperlukan.

3.9. Pengembangan ES.

7 langkah yang diperlukan dalam pengembangan ES dapat dilihat pada diagram di bawah ini:

Phase 1. Front End Analysis

y Identify appropriate problem y Determine cost/effectiveness y Arrange management support

Phase 2. Task Analysis

y Identify appropriate task y Identify behavioral sequence y Identiy knowledge required

Phase 3. Prototype Development

y Identify case studies (criteria) y Develop a small system to provide

proof of concept and practice

Phase 4. System Development

y Rearrange overall structure as necessary

y Add knowledge

Phase 5. Field Testing

y Test system with actual users y Revise as necessary

Phase 6. Implementation

y Port system to hardware to be used in the field

y Train users to use system

Phase 7. Maintenance

y Establish means to update system y Update system as needed

Membangun ES yang spesifik dengan suatu shell dapat digambarkan dalam diagram di bawah ini:

Symptoms, Specific Problems Development Environment User Consultation Environment Recommendation, Explanation Inference Engine, Rule and Program Interpreters Knowledge Base Facts Rules Development Engine Editor, Debugging Tools Knowledge Engineer Expert Sample Problems (Cases) Tests ⎪ ⎪ ⎪ ⎪ ⎪ ⎭ ⎪ ⎪ ⎪ ⎪ ⎪ ⎬ ⎫ ⎪ ⎭ ⎪ ⎬ ⎫

(27)

Bab 3 Expert System

Software untuk membangun ES dapat digambarkan pada diagram berikut ini:

Specific Expert Systems

General-Purpose Knowledge Engineering Languages Support Facilities Explanation Programming Expert Systems Shells System-Building Aids General-Purposes Programming Languages Higher-Level Programming Language General Purpose Symbol Manipulation Knowledge Acquisition Design T o o l s ⎪ ⎪ ⎪ ⎪ ⎪ ⎩ ⎪ ⎪ ⎪ ⎪ ⎪ ⎨ ⎧

Tahapan-tahapan dalam mengakuisisi knowledge digambarkan dalam diagram ini:

Identify Problem Characteristics IDENTIFICATION Find Concepts to Represent Knowledge Design Structure to Organize Knowledge Formulate Rules to Embody Knowledge Validate Rules that Organize Knowledge CONCEPTUALIZATION FORMALIZATION IMPLEMENTATION TESTING Requierements Concepts Structure Rules Ref inement s Redes ig ns Ref o rmul at ions

(28)

Bab 3 Expert System

Sedangkan proses pengembangan ES itu sendiri digambarkan sebagai berikut:

Problem Selection (Step 1) Rapid Prototyping Select Expert(s) (Step 2) Conceptual Planning (Step 3)

Select Software and Hardware Tools

(Step 4)

Knowledge Acquisition (Step 5)

Build a Prototype ES (Step 6)

Inference Engine Knowledge Base Justifier

Blackboard Interface (Dialog)

Evaluate for Performance (Step 7)

Evaluate for Acceptance Training (Step 8)

Use in Parallel with Existing System (Step 9)

Develop Documentation and Maintenance Plans (Step 10)

(29)

Bab 3 Expert System

Salah satu contoh dari ES (IFPS) dapat digambarkan dalam diagram di bawah ini:

Format Reports SPOOL RECORD OPTION DFNAME COMMANDS MODEL *) COMBINE CONSOLIDATE WHAT IF WHAT IF SAVE COMPILESAVE COMPILEGET Variable List ALL INSERT REMOVE CHANGE DATAFILE *) CMDFILE *) REPORT *) Executive Command Level CATALOG LIST COPY DELETE RESEQUENCE MERGE CONSOLDF FILE QUIT AUTO END GENREPORT SOLVE Solve Options BASE MODEL RECOMPILE Probabilistic Value Control ANALYZE GOAL SEEKING IMPACT SENSITIVITY STORE STORENT STOREP Store Options PLOT Plot Options *) Text Editor Recognized AUTO LIST END SAVE Editing Commands Manipulation Control Efficiency MONTE CARLO Monte Carlo Options Scenario Building Processing and Interrogation Risk Analysis Print Results Store Results Graph Results Entry Processor Modeling Subsystem Data File Subsystem Data Editing Command File Subsystem Report Subsystem

(30)

Bab 3 Expert System

Di bawah ini adalah diagram Financial Decision Support Model:

Growth, Penetration, and Profit Strategies

Price Units Net Sales

Cost Reduction Required Product Rationalization People/Sales Forecast Goals Facilities Requirements Cost/sq. ft. Facilities Expenditure Requirements Cost Reduction Program Inventory Change Billings Billings Per Person Goal People Pay/Person Payroll Capital Ratios Allowable Costs Profits Goals Return on Assets Goals Assets Inventories Receivables Cash and Other

Net Fixed Assets

Depreciation

Capital Expenditures

Contoh-contoh dari tindakan Heuristic:

Action Explanation

Sequence jobs through a machine Do the jobs that require the least time first.

Purchase stocks Do not buy stocks whose price-to-earnings ratio is larger than 10.

Travel Do not go on the freeway between 8 and 9 A.M.

Capital investment in high-tech projects Consider only projects whose estimated payback period is less than two years.

Purchase of a house Buy only a good neighborhood, but buy there only at the lower price range.

(31)

Bab 3 Expert System

Di bawah ini adalah diagram Unified Architecture untuk Intelligent Decision Support System:

Knowledge Engineer Data Base Knowledge Base Model Base Intelligent Supervisor Inference Engine Data Base Management

System (DBMS) Knowledge Acquisition Subsystem Model Base Management System (MBMS) Natural Language Interface Central Intelligence Manager User D i a l o g S u b s y s t e m

Integrasi antara ES dengan software lain dapat digambarkan sebagai berikut:

Inference Engine Stats Package Maths Package Rule Base Database User Interface Graphics Package

3.10. Kesimpulan.

ES menirukan proses reasoning dari pakar untuk menyelesaikan masalah yang sulit.

Pendahulu ES adalah GPS (General-purpose Problem Solver). GPS dan yang serupa dengannya gagal disebabkan mereka mencoba menangani terlalu banyak dan mengabaikan pentingnya knowledge khusus yang dibutuhkan.

Kekuatan ES diturunkan dari knowledge khusus yang dimiliki, dan bukan dari representasi knowledge tertentu dan skema inferencing yang dijalankan.

Kepakaran adalah knowledge task khusus yang didapatkan dari pelatihan/training, membaca, dan pengalaman.

Pakar dapat membuat keputusan yang cepat dan baik berkenaan dengan situasi yang kompleks.

Kebanyakan knowledge dalam organisasi dimiliki oleh segelintir pakar.

Teknologi ES mencoba untuk mentransfer knowledge dari pakar dan sumber-sumber terdokumentasi ke komputer dan bisa digunakan oleh yang bukan pakar.