DIKTAT KULIAH SISTEM PAKAR
Program studi : Teknik Informatika Matakuliah : SISTEM PAKAR
SKS : 3 SKS
Semester : 7
Jenis Matakuliah : Wajib Kelompok MK : IKK
STMIK EL RAHMA YOGYAKARTA
Pokok Bahasan Matakuliah Sistem pakar
Prgogram Studi Teknik Informatika- S1 STMIK El Rahma
BAB I BAB 2 BAB 3 BAB 4 BAB 5
Pengantar Sistem Pakar Akuisisi Pengetahuan Representasi Pengetahuan
BAB 1 PENGANTAR SISTEM PAKAR
Sistem pakar (expert system) adalah sistem yang berusaha mengapdosi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli. Sistem pakar yang baik dirancang agar dapat menyelesaikan permasalahan tertentu dengan meniru kerja dari para ahli.
Jadi dalam sebuah sistem pakar, kepakaran ditransfer dari seorang pakar (atau sumber kepakaran yang lain) ke komputer, pengetahuan yang ada disimpan dalam komputer, dan pengguna dapat berkonsultasi pada komputer itu untuk suatu nasehat, lalu komputer dapat mengambil inferensi (menyimpulkan, mendeduksi, dll.) seperti layaknya seorang pakar, kemudian menjelaskannya ke pengguna tersebut, bila perlu dengan alasan-alasannya. Sistem Pakar terkadang lebih baik unjuk kerjanya daripada seorang pakar manusia.
Dengan sistem pakar, orang awam pun dapat menyelesaikan masalah yang cukup rumit yang sebenarnya hanya dapat diselesaikan dengan bantuan para ahli. Bagi para ahli, sistem pakar juga akan membantu aktivitasnya sebagai asisten yang sangat berpengalaman.
Sistem pakar dikembangkan pertama kali tahun 1960. Sistem pakar yang terkenal :
MYCIN
Paling terkenal, dibuat oleh Edward Shortlife of Standford University tahun 70-an Sistem pakar medical yang bisa mendiagnosa penyakit infeksi dan
merekomendasi pengobatan
MYCIN membantu dokter mengidentifikasi pasien yang menderita penyakit. Dokter duduk di depan komputer dan memasukkan data pasien: umur, riwayat kesehatan, hasil laboratorium dan informasi terkait lainnya. Dengan informasi ini ditambah pengetahuan yang sudah ada dalam komputer, MYCIN mendiagnosa selanjutnya merekomendasi obat dan dosis yang harus dimakan.
ke dalam MYCIN, karena MYCIN dirancang oleh dokter-dokter yang ahli di bidang penyakit tersebut.
Kesimpulan : sistem pakar seperti MYCIN bisa digunakan sebagai bahan pembanding dalam pengambilan solusi dan pemecahan masalah. Keputusan terakhir atas pengobatan tersebut tetap menjadi tanggung jawab dokter.
DENDRAL
Mengidentifikasi struktur molekular campuran kimia yang tak dikenal
XCON & XSEL XCON
Merupakan sistem pakar untuk membantu konfigurasi sistem komputer besar, membantu melayani order langganan sistem komputer DEC VAX 11/780 ke dalam sistem spesifikasi final yang lengkap
Komputer besar seperti VAX terbuat dari ratudan komponen yang berbeda digabung dan disesuaikan dengan konfigurasi tertentu yang diinginkan oleh para pelanggan.
Ada ribuan cara dimana aseosri Pcboard, kabel, disk drive, periperal, perangkat lunak, dan lainnya bisa dirakit ke dalam konfigurasi yang sangat rapih. Untuk mengidentifikasi hal-hal tersebut diperlukan waktu berhari-hari/berminggu-minggu agar bisa memenuhi spesifikasi yang diinginkan pemesan, tapi dengan XCON bisa dalam beberapa menit.
XSEL
Dirancang untuk membantu karyawan bagian penjualan dalam memilih komponen istem VAX. Karena banyaknya pilihan karyawan tersebut sering menghadapi kesulitan dalam memilih suatu komponen yang paling tepat.
Basis pengetahuan yang ada pada XSEL membantu mengarahkan para pemesan serius untuk memilih konfigurasi yang dikehendaki, kemudian XSEL memilih CPU, memori, periperal dan menyarankan paket software tertentu yang paling tepat dengan konfigurasinya.
PROSPECTOR
Basis pengetahuan berisi bermacam-macam mineral dan batu-batuan. Banyak pakar geologi diwawancarai dan pengetahuan mereka tentang berbagai bentuk biji deposit dimasukkan ke dalam sistem pakar.
Ahli geologi melacak biji deposit dengan pergi ke lapangan untuk meninjau medan dan mengumpulkan bukti yang ada seperti ciri-ciri geologi dicatat, sampel tanah dan batu-batuan. Sistem pakar mengevaluasi areal dalam bentuk pertanyaan dan data-data tersebut dimasukkan, kemudian Prospector memberikan rekomendasi yang menunjukkan jumlah deposit yang ada dan apakah menguntungkan atau tidak bila dieksplorasi atau di bor lebih lanjut.
DELTA
Dibuat oleh perusahaan General Electric (GE) membantu karyawan bagian pemeliharaan mesin lokomotif diesel dalam memantau mesin-mesin yang tidak
berfungsi dengan baik dan membimbing ke arah prosedur perbaikan.
FOLIO
Sistem pakar yang menolong stock broker dan tugas manajer dalam menangani investasi bagi kepentingan para langganannya. Stock broker mewawancarai langganan untuk menentukan tujuan sumber dan investasi mereka.
FOLIO bisa memberikan rekomendasi tentang keamanan investasi, mengevaluasi stock beresiko tinggi,menghitung pengembalian modal, dan membuat keputusan dalam hal pemasaran suatu komoditi.
Membantu para perencana keuangan untuk memperkecil kerugian karena pajak, inflasi atau faktor lain misal turun naiknya nilai mata uang.
EL
Digunakan untuk menganalisa dan membantu rekayasa rancangan sirkuit elektronik yang terbuat dari transistor, dioda dan resistor.
Diagram skematik dari sirkuit ini dimasukkan ke dalam komputer dan EL menganalisis menentukan karakteristik sirkuit, nilai voltase, dan strum yang ada pada semua titik sirkuit.
1.1 Sejarah Sistem Pakar
Sistem pakar atau expert sistem pertama kali dikembangkan oleh komunitas Artificial Intelligence pada pertengahan tahun 1960. Sistem pakar yang muncul pertama kali adalah General-purpose Problem Solver (GPS) yang dikembangkan oleh Newel dan Simon.
Sistem pakar dalam bidang diagnosis kesehatan telah dikembangkan pada pertengahan tahun 1970 oleh Bruce Buchanan dan Edward Shortliffe di Stanford University. Sistem tersebut diberi nama MYCIN dan digunakan untuk melakukan diagnosis dan terapi terhadap penyakit miningitis dan infeksi bacremia.
1.2 Definisi Sistem Pakar
Secara umum, sistem pakar (expert system) adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli. Ada beberapa definisi tentang sistem pakar, antara lain:
1. Menurut Durkin: Sistem Pakar adalah suatu program komputer yang dirancang untuk memodelkan kemampuan penyelesaian masalah yang dilakukan oleh seorang pakar.
2. Menurut Ignizio: Sistem Pakar adalah suatu model dan prosedur yang berkaitan, dalam suatu domain tertentu, yang mana tingkat keahliannya dapat dibandingkan dengan keahlian seorang pakar.
3. Pada dasarnya, program sistem pakar sama dengan program komputer yang ada suatu masalah yang harus dipisahkan atau dicocokkan. Tahap pertama pembuatan sistem pakar ini adalah mengkaji situasi dan memutuskan dengan pasti tentang masalah yang akan dikomputerisasi dan apakah sistem pakar dapat membantu menjawab permasalahan tersebut.
4. Menurut Giarratano dan Riley: Sistem Pakar adalah suatu sistem komputer yang bisa menyamai atau meniru kemampuan seorang pakar.
Sistem pakar dibuat pada wilayah pengetahuan tertentu untuk suatu kepakaran tertentu yang mendekati kemampuan manusia di salah satu bidang. Sistem pakar
yang diambil dan memberikan alasan atas saran atau kesimpulan yang ditemukannya.
Seorang pakar adalah orang yang mempunyai keahlian dalam bidang tertentu, yaitu pakar yang mempunyai knowledge atau kemampuan khusus yang orang lain tidak mengetahui atau mampu dalam bidang yang dimilikinya.
Knowledge dalam sistem pakar adalah seorang ahli. Dalam sistem pakar user menyampaikan fakta atau informasi untuk sistem pakar dan kemudian menerima saran dari pakar atau jawaban ahlinya. Bagian dalam sistem pakar terdiri dari dua komponen utama, yaitu knowledge base yang berisi knowledge dan mesin inferensi yang menggambarkan kesimpulan. Kesimpulan tersebut merupakan respon dari sistem pakar atas permintaan user (Lihat Gambar 1.1).
Gambar 1.1 Konsep dasar fungsi sistem pakar
Penggunaan sistem knowledge-base (basis pengetahuan) juga dirancang untuk aksi pemandu cerdas seorang ahli. Pemandu cerdas dirancang dengan teknologi sistem pakar karena memberikan banyak keuntungan terhadap pengembangnya. Semakin banyak knowledge yang ditambahkan untuk pemandu cerdas maka sistem tersebut akan semakin baik dalam bertindak sehingga semakin menyerupai pakar sebenarnya.
Suatu knowledge dari sistem pakar bersifat khusus untuk satu domain masalah saja. Domain masalah adalah bidang atau ruang lingkup yang khusus, seperti kedokteran, keuangan, bisnis, ilmu pengetahuan atau teknik. Sistem pakar menyerupai kepakaran manusia yang secara umum dirancang untuk menjadi pakar dalam satu domain saja.
penyakit. Dalam kasus ini domain knowledge-nya adalah bidang kedokteran yang terdiri dari knowledge tentang penyakit, gejala, dan cara pengobatannya.
Pada dasarnya sistem pakar diterapkan untuk mendukung aktivitas pemecahan masalah. Beberapa aktivitas pemecahan yang dimaksud antara lain: pembuatan keputusan (decicion making), pemaduan pengetahuan (knowledge fusing), pembuatan desain (designing), perencanaan (planning), perkiraan (forecasting), pengaturan (regulating), pengendalian (controlling), diagnosis (diagnosing), perumusan (prescribing), penjelasan (explaining), pemberian nasihat (advising), dan pelatihan (tutoring). Selain itu sistem pakar juga dapat berfungsi sebagai asisten yang pandai dari seorang pakar.
Tabel 1.1 Perbandingan kemampuan seorang pakar dengan sistem pakar
Faktor Pakar Sistem Pakar
Waktu Hari kerja Setiap hari
Geogerafis Lokal/tertentu Di mana saja Keamanan Tidak tergantikan Dapat diganti
Perishable/dapat
Seorang pakar dengan sistem pakar mempunyai banyak perbedaan. Darkin (1994) mengemukakan perbandingan kemampuan antara seorang pakar dengan sebuah sistem pakar seperti pada Tabel 1.1.
Ada beberapa alasan mendasar mengapa sistem pakar dikembangkan untuk menggantikan seorang pakar, antara lain:
1. Dapat menyediakan kepakaran setiap waktu dan di berbagai lokasi.
2. Secara otomatis mengerjakan tugas-tugas rutin yang membutuhkan seorang pakar.
3. Seorang pakar akan pensiun atau pergi. 4. Seorang pakar adalah mahal
5. Kepakaran dibutuhkn juga pada lingkungan yang tidak bersahabat (hostile Environment).
1. Knowledge Acquisition (dari pakar atau sumber lainnya) 2. Knowledge Representation (ke dalam komputer)
3. Knowledge Inferencing 4. Knowledge Transfering
1.3 Arti Penting dan Masa Depan Sistem Pakar
Sistem pakar terkadang disalahgunakan atau salah penerapannya tapi tidak bisa atau seharusnya tidak menghilangkannya karena tidak penting atau karena mode lama. Metodologi sistem pakar akan tetap ada dan memegang peranan penting di masa depan dalam pengambilan keputusan. Contohnya adalah pada pendirian perusahaan. Untuk membuat perusahaan tersebut banyak memerlukan bantuan dari para pakar manusia, antara lain : pakar keuangan, pakar hukum, analis
lokasi perusahaan, perancang sistem komputer, dan lain-lain. Seseorang yang terlibat dalam masalah diatas akan menyadari bahwa :
Keahlian itu jarang dan mahal Tingkat keahlian sangat banyak
Pertimbangan, intuisi, dan pengalaman memegang peran kunci dalam keahlian itu.
Maka, alternatifnya adalah dengan menggunakan sistem pakar sebagai pembantu. Bila sistem pakar tersebut menguntungkan dan lebih murah, maka akan banyak yang menggunakannya. Alasan lain pemakaian sistem pakar adalah memberi keuntungan kompetitif, sehingga suatu perusahaan bisa bersaing dengan perusahaan lainnya. Faktor-faktor diatas menyebabkan pertumbuhan dan penerimaan akan sistem pakar.
Sistem pakar telah dijual atau diterapkan secara komersial dalam berbagi bidang antara lain :
Penasehat pasar bursa Perdagangan komoditas Perencanaan keuangan
Perencanaan dan persiapan pajak Peminjaman dan penentuan batas kredit Diagnosa dan perawatan penyakit
Diagnosa dan pemeliharaan mesin Penjadualan penerbangan
Pemuatan kargo di kapal atau pesawat terbang Tata letak dan rancangan papan elektronik Penjadualan dan pengkontrolan proses kimia
Memonitor dan menganalisis debu di pertambangan Peningkatan operasi makanan cepat saji
Daftar diatas hanyalah sebagian kecil penerapan sistem pakar. Pada tahun 1988, telah dicatat ada 2000 sistem pakar yang dipakai di dunia usaha. Sistem pakar menjanjikan masa depan yang jelas dan menguntungkan.
1.4 Ciri-ciri Sistem Pakar
Sebuah sistem pakar berbeda dengan sistem informasi pada umumnya. Ciri-ciri dari sebuah sistem pakar antara lain:
1. Terbatas pada bidang yang spesifik.
2. Dapat memberikan penalaran untuk data-data yang tidak lengkap atau tidak pasti. 3. Dapat mengemukakan rangkaian alasan yang diberikannya dengan cara yang
dapat dipahami.
4. Berdasarkan pada rule atau kaidah tertentu.
5. Dirancang untuk dapat dikembangkan secara bertahap. 6. Output-nya bersifat nasihat atau anjuran.
7. Output tergantung dari dialog dengan user. 8. Knowledge-base dan inference engine terpisah.
1.5 Keuntungan Sistem Pakar
Sistem pakar merupakan paket perangkat lunak atau paket program komputer yang ditujukan sebagai penyedia nasehat dan sarana bantu dalam memecahkan masalah di bidang-bidang spesialisasi. Sistem pakar merupakan subset dari Artificial Intelligence. Ada beberapa keunggulan sistem pakar, antara lain:
1. Menghimpun data dalam jumlah yang sangat besar.
2. Menyimpan data tersebut untuk jangka waktu yang panjang dalam suatu bentuk tertentu.
1.6 Kemampuan sistem pakar diantaranya adalah:
1. Menjawab berbagai pertanyaan yang menyangkut bidang keahliannya.
2. Bila diperlukan dapat menyajikan asumsi dan alur penalaran yang digunakan untuk sampai ke jawaban yang dikehendaki.
3. Menambah fakta kaidah dan alur penalaran sahih yang baru ke dalam otaknya.
1.7 Keuntungan menggunakan sistem pakar :
1. Memungkinkan orang awam dapat mengerjakan pekerjaan para ahli. 2. Dapat melakukan proses berulang secara otomatis.
3. Menyimpan pengetahuan dan keahlian para pakar. 4. Meningkatkan output dan kreativitas.
5. Meningkatkan kualitas.
6. Mampu mengambil dan melestarikan keahlian para pakar. 7. Mampu beroperasi dalam lingkungan yang berbahaya.
8. Memiliki kemampuan untuk bekerja dengan informasi yang tidak lengkap dan mengandung ketidakpastian.
9. Memiliki kemampuan untuk mengakses pengetahuan. 10. Memiliki reliabilitas.
11. Meningkatkan kapabilitas sistem computer. 12. Sebagai media pelengkap dalam pelatihan.
13. Menghemat waktu dalam pengambilan keputusan. 14. Meningkatkan kapabilitas dalam penyelesaian masalah.
1.8 Kelemahan sistem pakar:
1. Biaya yang diperlukan untuk membuat dan memeliharanya sangat mahal.
2. Sulit dikembangkan. Hal ini tentu saja erat kaitannya dengan ketersediaan pakar di bidangnya.
3. Sistem pakar tidaklah 100% menguntungkan, walaupun seorang tetap tidak sempurna atau tidak selalu benar. Oleh karena itu, perlu diuji ulang secara teliti
sebelum digunakan. dalam hal ini peran manusia tetap merupakan faktor dominan.
pengolahan berdasarkan pengalaman yang telah ada maka hal itu diyakini akan dapat diatasi walupun dalam waktu yang panjang dan terus menerus.
1.9 Konsep Umum Sistem Pakar
Pengetahuan dari suatu sistem pakar mungkin dapat direpresentasikan dalam sejumlah cara. Salah satu metode yang paling umum untuk merepresentasikan pengetahuan adalah dalam bentuk tipe aturan (rule) IF…THEN (jika…maka).
Turban (1995) menyatakan bahwa konsep dasar dari suatu sistem pakar mengandung beberapa unsur/elemen yaitu keahlian, ahli, pengalihan keahlian, inferensi, aturan dan kemampuan menjelaskan.
Keahlian merupakan suatu penguasaan pengetahuan dibidang tertentu yang didapatkan dari pelatihan, membaca atau pengalaman. Keahlian tersebut
memungkinkan para ahli dapat mengambil keputusan lebih cepat dan lebih baik dari seorang yang bukan ahli.
Seorang ahli adalah seorang yang mempunyai pengetahuan tertentu dan mampu menjelaskan suatu tanggapan, mempelajari hal-hal baru seputar topik permasalahan (domain), menyusun kembali pengetahuan jika dipandang perlu, memilih aturan jika dibutuhkan dan menentukan relevan atau tidaknya keahlian mereka.
Pengalihan keahlian dari para ahli untuk kemudian dialihkan lagi ke orang lain yang bukan ahli merupakan tujuan utama dari sistem pakar. Proses ini membutuhkan empat aktivitas yaitu tambahan pengetahuan (dari para ahli atau sumber-sumber lainnya), representasi pengetahuan (ke komputer), inferensi pengetahuan dan pengalihan pengetahuan kepada pengguna. Pengetahuan yang disimpan di komputer dinamakan dengan basis pengetahuan (knowledge-base). Ada dua tipe pengetahuan yaitu fakta dan prosedur.
Salah satu fitur yang harus dimiliki oleh sistem pakar adalah kemampuan untuk menalar (reasoning). Jika keahlian-keahlian sudah tersimpan sebagai basis pengetahuan dan sudah tersedia program yang mampu mengakses basis data, maka komputer harus dapat diprogram untuk membuat inferensi. Proses ini dibuat dalam bentuk motor inferensi (inference engine).
Menurut Turban (1995), terdapat tiga orang yang terlibat dalam lingkungan
Pakar adalah seseorang ahli yang dapat menyelesaikan masalah yang sedang diusahakan untuk dipecahkan oleh sistem.
2. Pembangun pengetahuan (Knowledge engineer)
Pembangun pengetahuan adalah seseorang yang menerjemahkan pengetahuan seorang pakar dalam bentuk deklaratif sehingga dapat digunakan oleh sistem pakar.
3. Pembangun sistem (System engineer)
Pembangun sistem adalah seseorang yang membuat antarmuka pengguna, merancang bentuk basis pengetahuan secara deklaratif dan mengimplementasikan mesin inferensi.
4. Pengguna (user)
Pengguna adalah seseorang yang berkonsultasi dengan sistem untuk
mendapatkan saran yang disediakan oleh pakar.
1.10 Bentuk/Type Sistem Pakar
1. Mandiri : sistem pakar yang murni berdiri sendiri, tidak digabung dengan software lain, bisa dijalankan pada komputer pribadi, mainframe.
2. Terkait/Tergabung : dalam bentuk ini sistem pakar hanya merupakan bagian dari program yang lebih besar. Program tersebut biasanya menggunakan teknik algoritma konvensional tapi bisa mengakses sistem pakar yang ditempatkan sebagai subrutin, yang bisa dimanfaatkan setiap kali dibutuhkan.
3. Terhubung : merupakan sistem pakar yang berhubungan dengan software lain, misal : spreadsheet, DBMS, program grafik. Pada saat proses inferensi, sistem pakar bisa mengakses data dalam spreadsheet atau DBMS atau program grafik bisa dipanggil untuk menayangkan output visual.
4. Sistem Mengabdi: Merupakan bagian dari komputer khusus yang diabdikan kepada fungsi tunggal. Sistem tersebut bisa membantu analisa data radar dalam pesawat tempur atau membuat keputusan intelejen tentang bagaimana memodifikasi pembangunan kimiawi, dll.
1.11 Arsitektur Sistem Pakar
memasukkan pengetahuan pakar ke dalam lingkungan sistem pengguna yang bukan pakar guna memperoleh pengetahuan pakar. Komponen-komponen sistem pakar dalam kedua bagian tersebut dapat dilihat dalam Gambar 1.2.
Komponen-komponen yang terdapat dalam sistem pakar, yaitu antarmuka pengguna (user interface), basis pengetahuan (knowledge-base), akuisisi pengetahuan (knowledge acquisition) dan mesin inferensi, workplace, fasilitas penjelasan, perbaikan pengetahuan.
Gambar 1.2. Arsitektur sistem pakar (sumber: Turban (1995)) 1. Antarmuka Pengguna (User Interface)
User Interface merupakan mekanisme yang digunakan oleh pengguna dan sistem pakar untuk berkomunikasi. Antarmuka menerima informasi dari pemakai dan mengubahnya ke dalam bentuk yang dapat diterima oleh sistem. Selain itu, antarmuka menerima informasi dari sistem dan menyajikannya ke dalam bentuk yang dapat dimengerti oleh pemakai. Menurut McLeod (1995), pada bagian ini terjadi dialog antara program dan pemakai, yang memungkinkan sistem pakar menerima instruksi dan informasi (input) dari pemakai, juga memberikan informasi (output) kepada pemakai.
Basis pengetahuan mengandung pengetahuan untuk pemahaman, formulasi dan penyelesaian masalah. Komponen sistem pakar ini disusun atas dua elemen dasar yaitu fakta dan aturan. Fakta merupakan informasi tentang obyek dalam area permasalahan tertentu, sedangkan aturan merupakan informasi tentang cara bagaimana memperoleh fakta baru dari fakta yang telah diketahui.
3. Akuisisi Pengetahuan (knowledge Acquisition)
Akuisisi pengetahuan adalah akumulasi, transfer dan transformasi keahlian dalam menyelesaikan masalah dari sumber pengetahuan ke dalam program komputer. Pada tahap ini knowledge engineer berusaha menyerap pengetahuan untuk selanjutnya ditransfer ke dalam basis pengetahuan. Pengetahuan diperoleh dari pakar, dilengkapi dengan buku, basis data, laporan penelitian dan pengalaman pemakai.
4. Mesin Inferensi
Mesin inferensi adalah program komputer yang memberikan metodologi untuk penalaran tentang informasi yang ada dalam basis pengetahuan dan dalam workplace dan untuk memformulasikan kesimpulan (Turban, 1995).
5. Workplace
Workplace merupakan area dari sekumpulan memori kerja (working memory). Workplace digunakan untuk merekam hasil dan kesimpulan yang dicapai
6. Fasilitas penjelasan
Fasilitas penjelasan berguna dalam memberikan penjelasan kepada pengguna mengapa komputer meminta suatu informasi tertentu dari pengguna dan dasar apa yang digunakan komputer sehingga dapat menyimpulkan suatu kondisi. Ada empat tipe penjelasan yang digunakan dalam sistem pakar, yaitu penjelasan mengenai jejak aturan yang menunjukkan status konsultasi, penjelasan mengenai bagaimana sebuah keputusan diperoleh, penjelasan mengapa sistem menanyakan suatu pertanyaan, penjelasan mengapa sistem tidak memberikan keputusan seperti yang dikehendaki pengguna (Schupp, 1989).
7. Perbaikan pengetahuan
Pakar memiliki kemampuan untuk menganalisis dan meningkatkan kinerjanya
serta kemampuan untuk belajar dari kinerjanya. Kemampuan tersebut adalah penting dalam pembelajaran terkomputerisasi sehingga program akan mampu
1.12 Tahap-tahap pengembangan sistem pakar
Untuk membuat suatu program sistem pakar, mulai dari konsep hingga selesai memerlukan banyak pemikiran, rancangan, pemrograman dan debugging. Dapat dikatakan bahwa sistem pakar merupakan program komputer yang cukup rumit bila dibandingkan dengan program komputer konvensional lainnya. Salah satu cara untuk membuat atau mengembangkan sistem pakar adalah membuat sendiri sistem pakar yang benar-benar actual. Pengalaman yang diperoleh selama pembuatan
sistem pakar yang kecil akan akan menjadi dasar yang sangat bernilai dalam pembuatan sistem pakar yang lebih besar. Alat pemrogram yang telah digunakan
untuk membuat sistem pakar diantaranya adalah prolog. Dalam pembuatan sistem pakar ini, ada sepuluh tahap yang perlu diperhatikan. Gambar 1.3 menunjukkan proses pembuatan sistem pakar langkah demi langkah.
Untuk memberikan gambaran langkah demi langkah dalam membuat sistem pakar maka akan dijelaskan mengenai prosedur dan teknik yang akan digunakan. Adapun langkah-langkah yang perlu diperhatikan adalah
1. Mengidentifikasikan Masalah dan Kebutuhan
Pada dasarnya, program sistem pakar sama dengan program komputer yang ada suatu masalah yang harus dipisahkan atau dicocokkan. Tahap pertama pembuatan sistem pakar ini adalah mengkaji situasi dan memutuskan dengan pasti tentang masalah yang akan dikomputerisasi dan apakah sistem pakar dapat membantu menjawab permasalahan tersebut.
2. Menentukan masalah Yang Cocok
Jika masalah telah diidentifikasikan dengan jelas, maka langkah selanjutnya adalah mengkaji lebih dalam untuk mengetahui apakah masalah tersebut tepat untuk sistem pakar. Hanya masalah tertentu saja yang dapat dipecahkan dengan sukses oleh sistem pakar. Menganalisa masalah dimulai dengan jalan menulis pertanyaan itu sendiri. Mewawancarai orang-orang yang berhubungan dengan
berbeda. Jika langkah tersebut diatas telah dilakukan kembali pada proses memperbaiki pernyataan semula dari sini dapat diketahui secara pasti bahwa sasaran yang dituju telah benar.
Gambar 1.3 Langkah-langkah dalam proses pembuatan sistem pakar 3. Mempertimbangkan alternative
Pertimbangan alternative solusi lainnya adalah sistem manajemen Basis Data untuk masalh yang akan dikerjakan. Dengan database Manajemen sistem proses yang diutamakan adalah menyimpan data atau informasi dan hanya mengakses jika diperlukan. Dalam sistem manajemen database kemampuan menalar komputer tidak diperlukan. Jika alternative yang dipilih adalah dengan memakai sistem pakar maka tahap selanjutnya diusahakan membuat kategori masalah maka sistem pakar dikenal 10 kategori diatas, jika masalah tersebut sudah sesuai dengan salah satu dari 10 kategori tersebut, maka tinggal satu langkah lagi untuk sampai pada solusi sistem pakar. Walaupun telah diputuskan bahwa masalah tersebut merupak pengetahuan yang terkait dan sesuai dengan salah satu dari 10
berikutnya. Adapun beberapa factor tambahan yang menjadi bahan pertimbangan diantaranya:
a. Keahlian Manusia
Sistem pakar menduplikasikan keahlian manusia atau mencoba menirukan seseorang pakar mempunyai pengetahuan, pendidikan, pengalaman dalam domain tertentu yang luar biasa. Jika pengetahuan dan pengalaman atau dimasukkan kedalam sistem pakar, maka sistem pakar juga dapat memecahkan masalah seperti seorang ahli. Seorang ahli atau pakar yang dibutuhkan mungkin sangat langkah dan katakanlah pakar itu ada, belum tentu ia sanggup mengerjakan satu masalah dalam waktu tertentu. Sistem pakar juga dapat menyediakan keahlian yang diperlukan dilingkungan yang berbahaya, seperti misalnya diruang angkasa dimedan pertempuran atau
dipabrik-pabrik yang kondisinya tidak biasa. b. Perhitungan Yang Matang
Untuk membuat sistem pakar diperlukan inventasi yang besar. Setiap inventasi harus selalu diperhitungkan pengembaliannya. Jika banyak individu dapat memperoleh pengalaman dalam memecahkan masalah dengan sistem pakar, maka pembuatan sistem pakar dapat dibenarkan dalam arti membantu manusia dan menguntungkan, yang mana waktu pengembaliannya juga akan sangat tinggi. Jadi sebelum memulai pembuatan suatu sistem pakar terlebih dahulu harus diperhitungkan dengan matang tentang pengembalian inventasinya.
c. Tidak Memerlukan Common sense
Sistem pakar akan lebih berguna bila didalam pemecahan masalah itu tidak memerlukan comman sense. Comman sense merupakan gudang pengetahuan yang sangat besar yang dimiliki oleh setiap orang melalui pendidikan dan pengetahuan. Suatu sistem pakar sebenarnya tidak diharapkan untuk mengetahui apa yang benar-benar dan apa yang salah atau apa yang baik dan apa yang buruk.
d. Pusatkan Pada Bidang Khusus
Masalah yang diketemukan sebaiknya dispesifikasikan dan dibatasi pada bidang yang lebih khusus. Hal ini dimaksudkan untuk mempermudah penyajian
Jika masalah itu dapat dipecahkan dengan pengolahan metal (bukan fisik), maka sistem pakar mungkin dapat dibuat. Sistem pakar tidak dapat memcahkan masalah fisik. Sistem pakar tidak mengkaji diagram, mencium atau melakukan hal-hal biasa. Sebaiknya, sistem pakar memang hebat dalam memecahkan masalah dimana pemakai dapat menyediakan fakta awal dan angka-angka. Sistem pakar dapat menimbang informasi tersebut, dapat menalar dan membuat keputusan yang mengarah solusi.
f. Tingkat Kesulitan Rendah
Jika masalah terlalu sederhana, mungkin tidak perlu dibuat sistem pakar, sebaliknya jika permasalahan tersebut terlalu besar, juga tidak mungkin mengerjakan dibuat sistem pakar. Sistem pakar hanya dapat mengerjakan tugasnya dengan baik jika masalahnya merupakan masalah yang sedang.
g. Penyesuaian Rendah
Pengetahuan untuk pakar harus dipresentasikan dalam bentuk simbolik dan kemudian dimanipulasi oleh komputer. Pengetahuan yang cocok kemudian diekspresikan kedalam aturan-aturan if-then saat itulah diperlukan kemampuan menganalisa potongan-potongan kecil pengetahuan yang diperlukan kemampuan apakah hal tersebut dapat disimpan kedalam bentuk aturan.
h. Jumlah Minimum Solusi
Keluaran dari sitem pakar merupakan solusi. Keluaran tersebut berdasarkan pada masukan yang diberikan sistem akan melacak basis pengetahuan sampai mendapatkan konklusi. Pada sistem pakar yang baik, jumlah solusi keluarannya atau saran yang diberikannya tidak terlalu banyak.
i. Tersedianya Pakar
Salah satu kebutuhan yang sangat kritis untuk memprtimbangkan apakah masalah cacah untuk solusi sistem pakar, adalah adanya pakar yang akan membantu.
4. Menghitung Pengembalian Inventasi
Jika pilihan jatuh kepada sistem pakar, maka langkah berikutnya adalah menentukan apakah sistem pakar lebih mengutamakan atau tidak. Disini harus
diperhitungkan pengembalian inventasi dengan jalan menganalisa biaya dengan kemungkinan keuntungan.
Alat pengembang sistem pakar merupakan paket perangkat lunak yang memungkinkan untuk memasukkan pengetahuan pakar kedalam komputer tanpa harus membuat suatu program terlebih dahulu. Hampir semua alat pengembang sistem pakar menggunakan aturan. Beberapa diantaranya menggunakan implementasi frame dan jaringan sematik, tetapi dapat lebih dahulu mahal dan hanya dapat dioperasikan dalam komputer besar. Adapun dua jenis alat pengembang sistem pakar dalam komputer besar. Adapun dua jenis alat pengembangan sistem pakar dapat dipertimbangkan, yaitu bahasa pemrograman dan shell. Sistem pakar telah diciptakan dengan menggunakan hampir semua jenis pemrograman yang umum. Sistem pakar telah dibuat dengan pascal, Fortan dan bahasa Assembly dan untuk sekarang telah menggunakan visual. Dua pilihan bahasa yang terbaik untuk sistem pakar adalah LISP dan PROLOG. Kedua bahasa ini memang dirancang untuk aplikasi pada kecerdasan buatan dan keduanya juga dapat digunakan untuk membuat sistem pakar.
Sistem pakar shell adalah merupakan perangkat lunak yang khusus dibuat untuk membantu pembuat sistem pakar. Dalam beberapa hal, shell sama dengan Database sistem manajemen atau Spreadsheet. Shell menyediakan kerangka kerja dasar yang didalamnya terdapat data atau pengetahuan yang dimasukkan dan dimanipulasi dengan cara yang telah ditentukan terlebih dahulu. Hampir semua shell sistem pakar menggunakan skema representasi format aturan if-then. Aturan ini sederhana, luwes, dan sangat popular. Jika telah selesai merekayasa pengetahuan dan merancang program, hasilnya akan dipasang kedalam bentuk contoh yang telah disiapkan, dalam bentuk matriks, sama dengan spreadsheet. Tiap kolom matriks menampilkan atribut atau kondisi. Berbagai kombinasi atribut menghasilkan kesimpulan khusus suatu keputusan. Keputusan ini didaftar dalam kolom terpisah. Baris dalam matrik meliputi semua kombinasi atribut yang mengarah pada kesimpulan spesifik.
6. Merekayasa Pengetahuan
Pengembangan sistem pakar dimulai dengan merekayasa pengetahuan, yaitu bagaimana cara untuk memperoleh pengetahuan dapat diperoleh dengan
bagaimana cara, yaitu melalui buku, artikel-artikel ilmiah atau acuan lainnya yang dapat diperoleh dari individu atau seorang yang memang ahli pada bidangnya.
yang luar biasa maka dapat dipastikan untuk menggunakan representasi pengetahuan dalam bentuk aturan produksi. Pekerjaan mengumpulkan dan mengorganisasi pengetahuan kedalam bentuk yang sesuai dengan sistem pakar tersebut dikenal dengan nama rekayasa pengetahuan.
7. Merancang Sistem
Dengan menggunakan pengetahuan yang telah diperoleh, sistem pakar siap dirancang. Hal pertama yang harus diperhatikan adalah membuat garis besar masalah. Dan hal-hal lain yang membantu dalam mengorganisasi dan memahami pengetahuan tersebut. Salah satu langkah awal yang harus dilakukan adalah dengan mengidentifikasi semua kemungkinan solusi yang akan diberikan oleh sistem pakar, langkah ini dilakukan dengan mengidentifikasi semua fakta, angka dan informasi lainnya yang memerlukan jawaban atau pemecahan masalah yang
diberikan sistem pakar, apabila sistem yang dirancang terlalu besar dan kompleks, untuk memulai menulis aturan secara langsung dan masukan serta keluaran, maka sebaiknya dibuat garis besar yang mungkin dapat membantu untuk mengorganisasi informasi dan membaginya kedalam bagian-bagian yang kecil. Jika pengetahuan yang akan diolah telah sampai pada penyusunan prosedur sebaiknya dibuat bagan alur (flowchart), walaupun bagan alur mengkin tidak cocok untuk sistem aplikasi sistem pakar, akan tetapi hal tersebut dapat membantu untuk memahami dan mengorganisasi pengetahuan untuk sistem pakar. Selanjutnya biasa dimulai dengan mengkonversikan pengetahuan dalam bentuk kaidah if-then. Jika telah selesai, baru menggunakan alat untuk membuat prototype bagian sistem. Kemudian menterjemahkan bagian pengetahuan dalam kaidah dan menguji bagian yang sudah dibuat.hal ini dimaksud untuk menguji konsep sebelum dilanjutkan pembuat program.
8. Melengkapi Pengembangan
Cara terbaik untuk mengembangkan prototype dalam sistem pakar dengan jalan meluruskan bagian demi bagian secara khusus, pengetahuan itu akan dibagi kedalam potongan-potongan yang logis, masing-masing dengan blok aturan setiap bagian diuji apakah sudah dapat berjalan sesuai dengan yang dikehendaki.
9. Menguji dan Mencari Masalah Sistem
Sebaiknya sistem pakar diuji dengan disebabkan pada pemakai yang
pengujian ini diusahakan untuk melihat keabsahan sistem pakar tersebut, agar jalannya sistem benar-benar sesuai dengan tujuan yang dimaksud. Pengujian sistem sangat diperlukan untuk menentukan keberhasilan suatu sistem dalam hal ini pengujian meliputi evaluasi unjuk kerja dan kegunaan program prototype dan melakukan perbaikan-perbaikan jika masih terjadi kesalahan.
10. Memelihara Sistem
BAB 2 AKUISISI PENGETAHUAN
Knowledge acquisition akan dibicarakan dengan dua pendekatan yang berbeda, yang pertama knowledge acquition didapat langsung dari domain expert, sedangkan yang kedua menggunakan data yang telah ada yang lebih dikenal dengan rule induction. Kedua pendekatan ini banyak digunakan dan kadang-kadang dalam pembuatan rule based sistem pakar menggunakan kombinasi kedua pendekatan ini.
2.1 Knowledge Acquisition dan Domain Expert
Cara yang nyata untuk mendapatkan knowledge base adalah dengan datang langsung kepada seorang pakar yang bersangkutan. Namun paling tidak ada 4 alasan kenapa hal ini tidak bisa dilakukan atau paling tidak memberikan hasil yang kurang memuaskan. Alasan-alasan tersebut adalah :
1. Ada beberapa masalah yang tidak bisa diimplementasikan dalam sistem pakar. 2. Ada anggapan bahwa istilah sistem pakar adalah sesuatu yang bisa
mengerjakan atau menyelesaikan masalah dengan baik. 3. Sistem pakar tidak bisa mengungkapkan kecurangan.
4. Beberapa pakar tidak mengeluarkan alasan terhadap pendekatan yang mereka gunakan, serta ada beberapa sistem pakar yang pada kenyataannya tidak mengerti bagaiman mereka membuat suatu keputusan.
2.2 Langkah Umum untuk membuat sistem pakar adalah sebagai berikut : 1. Mengidentifikasi seorang pakar.
2.3 Pemilihan masalah yang akan dibuat sistem pakar 1. Domain seharusnya berjumlah satu.
2. Pembuatan keputusan yang baik terhadap permasalahan yang dianggap penting bagi manajemen dan komitmen mereka terhadap waktu dan sumber daya yang diperlukan untuk mengembangkan dan mengimplementasikan sistem pakar. 3. Adanya manajemen yang baik untuk mengatur biaya dan sumber daya yang
dibutuhkan, serta perkiraan resiko yang akan terjadi selama proses pengembangan sistem pakar.
4. Permasalahan yang akan diimplementasikan dalam sistem pakar harus dalam keadaan stabil.
2.4 Pemilihan Knowledge Engineers
1. Idealnya digunakan dua Knowledge Engineers salah satunya adalah yang sudah berpengalaman dalam pengembangan dan implementasi sistem pakar.
2. Knowlwdge engineers seharusnya berhati-hati terhadap beberapa alternatif dalam menganalisa keputusan.
3. Keahlian dari Knowledge Engineers adalah memperoleh knowledge tersebut dan membuat model untuk knowledge tersebut (rule base).
2.5 Pemilihan Pakar
1. Meminta perusahaan/organisasi untuk menyediakan beberapa nama yang akan dijadikan pakar dalam meyelesaikan masalah dalam sistem pakar, dimana pakar tersebut mempunyai keahlian dalam masalah-masalah yang dipertanyakan. 2. Memilih satu dari beberapa nama yang diajukan, yang mempunyai kemampuan
yang diakui untuk mejalankan tugasnya dengan baik.
3. Memilih pakar yang mempunyai track record yang baik dalam beberapa waktu. 4. Memilih pakar yang mempunyai kemauan dan kemampuan untuk berkomunikasi
dengan knowledge engineer serta mau untuk mengeluarkan pendapat dan pemikirannya.
5. Memilih pakar yang mampu mencurahkan waktunya untuk mengembangkan
2.6 Pertemuan Pedahuluan
1. Pertemuan ini bertujuan agar Knowledge Engineers dapat beradaptasi dengan permasalahan yang ada dan istilah-istilah yang digunakan dalam domain tersebut.
2. Lokasi yang digunakan untuk pertemuan haruslah nyaman, dan diusahakan agar pertemuan yang dilangsungkan tidak terlalu lama (paling tidak kurang dari dua jam).
3. Pertemuan harus dilaksanakan dalam suasana yang informal dan rileks.
4. Memberitahukan kepada pakar tentang rencana dan tujuan yang akan dicapai, serta menjelaskan apa itu sistem pakar serta apa saja yang bisa dilakukan oleh sistem pakar.
5. Diskusi tentang sistem pakar akan lebih baik apabila disertai dengan demo
sistem pakar yang telah ada.
6. Apabila diperluakan alat perekam audio/visual, maka haruslah minta izin dan menjelaskan bahwa rekaman tersebut hanya digunakan untuk kepentingan Knowledge Engineers.
2.7 Latar Belakang
1. Apabila diperlukan, maka bisa dilakukan survei terhadap lokasi.
2. Memastikan adanya manual, laporan ataupun dokumen tertulis yang menjelaskan tenang domain, masalah dan istilah yang digunakan.
3. Meminta kepada pakar untuk mengadakan tutorial informal dimana Knowledge Engineers lebih banyak mendengar dan mempelajari masalah.
2.8 Rencana Pertemuan Lanjutan
1. Berusaha untuk meminimalkan interupsi. 2. Merencanakan acara untuk setiap pertemuan.
3. Menentukan tujuan dan obyek dari setiap pertemuan.
4. Apabila prototype telah dikembangkan, mintalah akses terhadap software dan hardware yang ada (prototype digunakan untuk demo dan tanggapan user
terhadap hasil yang ada)
2.9 Memimpin Pertemuan Lanjutan
2. Berusaha untuk mengidentfikasi semua sumber data dari luar dan informasi-informasi yang digunakan oleh pakar.
3. Bersabar dan jangan menginterupsi pakar.
4. Menghindari kritik dan sebagai gantinya fokuskan pada klarifikasi.
5. Selalu ingat bahwa saudara mengembangkan model rule base seorang pakar bukan model rule base anda sendiri.
6. Apabila tidak mengerti terhadap suatu masalah yang dibuat oleh pakar, janganlah takut untuk meminta klarifikasi.
7. Menggunakan uji kasus untuk demo proses pembuatan keputusan dan untuk meng-identifikasi batas dari kebenaran rule base
8. Memperkenalkan producton rule kepada domain expert, ini mungkin akan membesarkan hati pakar untuk memulai menyebutkan aturan-aturannya dalam
format ini.
9. Selalulah ingat siapa saudara dan untuk apa saudara disana.
2.10 Dokumentasi
1. Membuat dokumen dari hasil pertemuan sedini mungkin setelah selesainya pertemuan.
2. Dokumentasi dari setiap pertemuan bisa terdiri atas : Tanggal, waktu dan tempat pertemuan
Nama dari pakar (Apabila ada pakar lebih dari satu)
Rincian dan deskripsi dari rules yang diidentifikasi selama pertemuan.
Rincian dari obyek baru, atribut dan atau nilai yang ada serta propertis dari obyek tersebut.
Rincian dari sumber dan referensi dari luar yang digunakan. Rincian dari istilah baru yang ada serta definisinya.
Rincian dan diskusi tentang perbedaan yang ada atau ketidakcocokan yang dirasakan. (masalah-masalah yang perlu diklarifikasi).
3. Dokumentasi digunakan untuk mendukung pembuatan production rule oleh sebab itu dokumentasi harus memuat fakta-fakta berikut :
Rincian dan diskripsi dari semua rules yang sejauh ini telah dikembangkan. Rincian dari semua obyek, atribut dan nilai-nilai yang telah didapat.
Rician dan diskusi tentang uji kasus yang digunakan untuk mengevaluasi prototype.
2.11 Untuk menghasilkan rule base yang bagus ada beberapa cara yang bisa dilakukan
1. Pakar tidak perlu mengerti konsep tentang rules dan heuristic.
2. Bertanyalah kepada pakar tentang suatu masalah yang ada sehingga pakar akan cepat sampai pada kesimpulan.
3. Permasalahan yang ada termasuk klasifikasi (diagnosa) atau konstruksi. Apabila permasalahannya adalah diagnosa cobalah untuk menentukan :
Gejala yang digunakan oleh pakar untuk mengklasifkasi Pengobatan yang direkomendasikan oleh pakar.
Hubungan antara gejala yang pengobatan (bagaimana mereka cocok ?). Apabila permasalahan yang ada adalah konstruksi, maka cobalah untuk menentukan :
Data yang digunakan oleh pakar. Rincian alternatif-alternatif yang ada.
Heuristic yang digunakan untuk memangkas atau memendekkan rincian alternatif-alternatif yang ada.
4. Memastikan sedini mungkin data yang digunakan oleh pakar untuk membuat kesimpulan.
2.12 Domain Expert yang lebih dari Satu
Pengembangan sistem pakar mungkin membutuhkan lebih dari satu pakar, apabila ini terjadi maka bisa menjadikan frustasi apabila tidak ditangani dengan baik. Surko memberikan saran “ Apabila dalam pengembangan sistem pakar ada pakar lebih dari satu maka rule base dikembangkan dari satu pakar, kita membuat prototypenya kemudian pakar yang dipersilahkan untuk mengkritik hasil yang telah dicapai. Apabila ada dua pakar yang tidak setuju maka lebih baik untuk memilih versi yang saudara anggap lebih baik. Tujuan saudara adalah untuk mendapatkan knowledge yang terbaik tetapi dengan perselisihan yang minimal.”
Surko juga mengingatkan bahwa mengumpulkan para pakar bersama untuk
2.13 Contoh Kasus Knowledge Acquisition
Pada tanggal 12 Agustus 1988 The Wall Street Journal pada halaman depannya menceritakan tentang kurang kesuksesan dari usaha untuk knowledge acquisition. Dari situ bisa dipelajari tentang kesuksesan ataupun kegagalan.
Mr Thomas Kelly adalah seorang insinyur yang mempunyai usia 55 tahun dan keahliannya adalah dalam bidang teknik sipil terutama dalam mendiagnosa dan menyelesaikan masalah-masalah tentang bendungan raksasa yang terbuat dari tanah. Keahlian Mr Kelly ini terlalu berharga untuk hilang begitu saja dengan meninggalnya Mr Kelly, untuk itu perusahaan menyediakan $300.000 selama dua tahun untuk mengembangkan sebuah sistem pakar yang mempunyai kemampuan yang sama dengan keahlian Mr Kelly.
Sebuah bendungan yang bernama Vermilion (yang berusia 24 tahun) menjadi permasalahan yang menyusahkan karena air yang ada dalam waduk tersebut “merembes” ke dalam pondasinya, dan keahlian Mr Kelly adalah faktor yang penting untuk menjaga populasi yang ada dibawahnya aman.
Sebuah proposal untuk sistem pakar disetujui untuk menyelesaikan masalah-masalah bendungan yang terbuat dari tanah yang bisa dibandingkan dengan dengan keahlian manusia. Untuk mengembangkan sistem pakar tersebut Texas Instrument mengirimkan dua Knowledge Engineers untuk melakukan tahap knowledge acquisition. Keduan Knowledge Engineers tersebut berusia 30 tahun, satu ahli komputer sedangkan satunya ahli dalam manajemen sistem pakar. Kedua programmer tersebut agak gugup ketika pertama kali bertemu dengan Mr Kelly yang mempunyai usia hampir dua kali usia mereka. Mereka mempelajari buku tentang keamanan bendungan dan konstruksinya. Pertemuan pertama dilakukan secara maraton selama 7 jam pada ruangan dengan jendela yang kurang, dima kedua programmer “mengintrograsi” Mr Kelly dengan pertanyaan pertanyaan tentang bendungan Vermillion, batu-batu yang digunakan serta pasangan yang dibutuhkan, serta pertanyaan pertanyaan yang lainnya. Pertemuan tersebut direkam untuk dipelajari dikemudian hari. Ketika pertemuan selesai sebua dalam kelelahan yang
amat sangat.
Pada pertemuan selanjutnya Mr Kelly mengutarakan
dengan “Ya” atau “Tidak”. Ketika diminta untuk memberika penjelasan, penjelasan yang diberikan sangat jarang dan singkat. knowledge engineers ragu apakah Mr Kelly mau untuk bekerja sama untuk mejelaskan lebih dalam tentang ilmu dan keahlian yang dipunyainya.
Setelah itu semua Knowledge Engineers berusaha untuk membuah prototype tetapi dengan hasil yang sangat jauh dari sempurna. Akhirnya Knowledge Engineers memutuskan untuk melakukan survei ke bendungan. Setelah satu tahun knowledge base sistem pakar yang ada terdiri dari 20 aturan/kaidah yang memberikan solusi yang tidak bagus. Karena terbatasnya waktu dan dana yang ada maka Texas Instrument memutuskan bahwa sistem pakar yang dibuat hanya digunakan untuk Bendungan Vermillion dan aturan yang dibuat mencapai 80 aturan. Sistem pakar yang dihasilkan tidak bisa bekerja dengan baik dan pegawai Southern California Edition harus bekerja lebih keras agas sistem pakar tersebut berguna dengan baik. Dari kegagalan tersebut dapat diperoleh beberapa faktor yang mempengaruhinya yaitu :
1. Penugasan Knowledge Engineers yang kurang berpengalaman. 2. Pertemuan pertama yang melelahkan (selama 7 jam).
3. Keterlambatan survai lokasi (survai idealnya dilakukan sedini mungkin atau sebelum tahap knowledge acquisiton)
4. Ketidakbisaan Knowledge Engineers untuk mengatasai keengganan domain expert untuk memberikan penjelasan yang detail.
5. Ketidakbisaan knowledge engineer untuk membangun hubungan yang saling menghormati antara domain expert dan Knowledge Engineers.
2.14 Knowledge Engineers sebagai Domain Expert
Seperti pada permasahalan yang dijelaskan sebelumnya, pemilihan seorang pakar mungkin akan menjadi masalah pada tahap knowledge acquisition. Permasalahan yang timbul mungkin pakar meninggal dunia ataupun keluar dari perusahaan. Untuk permasalahan seperti ini kita mempunyai paling tidak 2 pilihan yaitu :
1. Menggunakan data historis untuk mengembangkan rule-based sistem pakar.
2. Menjadi domain expert sendiri.
Dalam literatur sistem pakar tidak ada larangan untuk menjadi domain expert sendiri,
Kenyataannya R1 dan XCON dikembangkan dengan domain expertnya adalah Knowledge Engineers.
2.15 Domain Expert sebagai Knowledge Engineers
Kalau Knowledge Engineers bisa bertindak sebagai domain expert maka begitu pula sebaliknya, domain expert bisa bertindak sebagai Knowledge Engineers, karena kenyataannya tujuan utama dari sistem pakar adalah menyediakan paket pengembangan yang berinteraksi langsung dengan domain expert, ini dimaksudkan untuk menghilangkan kebutuhan akan Knowledge Engineers. Walaupun begitu tujuan ini belum sepenuhnya terealisasi, meskipun demikian ada klaim yang menyatakan bahwa ini dapat diduga pada bebrapa tahun yang akan datang.
Ada beberapa kesuksesan dalam pelatihan domain expert untuk
mengembangkan rule based dan mengimplementasikan rule based ini pada beberapa paket pengembangan. Beberapa perusahaan melaporkan ada perkembangan yang cukup berarti pada keseluruhan produktifitas dari pengembangan beberapa sistem pakar dengan rule based kecil yang dikerjakan oleh domain expertnya.
Ada beberapa hal yang harus dijauhkan dari pendekatan ini, yaitu : 1. Butuh waktu dan dana yang digunakan untuk melatih domain expert.
2. Setelah domain expert dilatih kemungkinan beberapa domain expert cenderung untuk menyelesaikan sebagian dan seluruh permasalahan dalam sistem pakar, bahkan lebih efektif, efisien dan sesuai dengan kebutuhan.
Dengan pendekatan ini knowledge engineer mungkin tinggal mengadakan training dan bimbingan dalam pengembangan rule based, pendekatan ini pada dasarnya digunakan oleh beberapa perusahaan. Dengan pendekatan ini perusahan bisa memberikan catatan bahwa memberikan training kepada domain expert lebih murah dibandingkan harus membentuk sebuah divisi Knowledge Engineers, kelebihan yang lainnya adalah bahwa lebih praktis melatih domain expert tentang sistem pakar membutuhkan waktu yang lebih sedikit dari pada melatih knowledge engineer untuk
mempelajari permasalahan pada domain tertentu, walaupun pendapar ini belum tentu benar, karena masih tergantung dengan situasi dan kondisi yang ada. Ada
untuk menjadi familiar dengan permasalahan yang ada, Knowledge Engineers tidak perlu menjadi seorang pakar untuk mengembangkan sebuah sistem pakar.
Menurut pendapat kami, cara yang lebih bagus adalah dengan menyediakan beberapa tingkat pelatihan tentang sistem pakar yang cukup sehingga domain expert dapat mengerti dengan tujuan, scope, dan batasan-batasan dalam sistem pakar, juga menjadi lebih mengeti untuk mengidentifikasi permasalahan yang ada sehingga sistem pakar yang dikembangkan akan lebih sesuai dengan kebutuhan.
2.16 Knowledge Acquisition dengan Rule Induction
Alternatif lain untuk melakukan knowledge acquisition adalah dengan mengkonversi database yang ada kedalam kumpulan production rule. Database yang ada harus berisikan data-data yang meliputi semua permasalahan yang ada.
Sebelum menjelaskan lebih lanjut, maka kita akan kembali lagi ke contoh sebelumnya mengenai identifikasi pesawat terbang. Kita akan membatasi jumlah dari pesawat terbang yang ada, yang hanya terdiri dari C130 (Lockheed Hercules), C141 (Lockheed Starlifter), C5A(Lockheed Galaxy) dan B747 (Boeing Jumbo Jet). Perlu diperhatikan bahwa untuk ilustrasi bahwa pesawat-pesawat yang telah disebutkan tadi adalah pesawat-pesawat yang ada didunia ini.
2.17 Identifikasi Obyek, Atribut, dan Nilai
Langkah yang harus ditempuh adalah mengidentifikasi atribut-atribut yang dipunyai pesawat terbang yang digunakan untuk membedakan pesawat satu dengan pesawat lainnya. Sebagai contoh beberapa atribut yang mungkin disertakan adalah sebagai berikut :
Jumlah mesin Tipe mesinnya Posisi sayap Bentuk sayap Bentuk ekor
Bagian yang menonjol pada badan pesawat Ukuran dan dimensi
Warna dan tandanya
Setelah kita mengidentifikasi atribut-atribut beserta nilai-nilainya langkah selanjutnya adalah meyaring atribut-atribut apa saja yang diperlukan untuk identifikasi pesawat terbang. Sebagai contoh jumlah mesin tidaklah diperlukan karena dari pesawat yang ada sebuah mesinnya berjumlah empat (walaupun begitu pada permasalahan yang nyata jumlah mesin diperlukan untuk mengidentifikasi jenis pesawat terbang), selain itu kita bisa menghilangkan tiga atribut yang terakhir karena kita tidak bisa membedakan dengan jelas dari kejauhan. Akhirnya kita dapat 5 atribut yang digunakan untuk mengidentifikasi jenis pesawat terbang.
Sebelum melanjutkan pada proses selanjutnya, berhati-hatilah untuk menghilangkan aatribut yang ada karena dengan menghilangkan atribut kita akan mengurangi production rule yang ada. Penghilangan atribut menimbulkan dilema, apakah kita akan mencari atribut yang minimal atau untuk amannya kita akan
menggunakan semua atribut yang ada. Tidak ada penjelasan yang pasti untuk kasus ini, terlalu banyak atribut yang digunakan akan mengakibatkan knowledge based susah dipakai dan memerlukan banyak sekali data serta respon dari user, terlalu sedikit atribut yang digunakan bisa membatasi manfaat dari sistem pakar itu sendiri dan mengakibatkan modifikasi yang sulit untuk masa yang akan datang.
Diasumsikan bahwa dengan 5 atribut yang sudah didapat diatas kita bisa mengidentifikasi pesawat terbang dengan baik.
2.18 Menentukan Decision tree
Ada beberapa cara untuk mengilustrasikan rule base dan proses inferensi. Cara yang umum adalah dengan menggunakan decision tree. Cara ini bisa dijelaskan dengan baik dengan memberikan contoh. Untuk itu kita harus membuat
decision tree untuk identifikasi pesawat terbang yang ada dalam Tabel 2.1.
Setiap node yang ada pada decision tree merepresentasikan pertanyaan tentang nilai dari suatu atribut atau sebuah kesimpulan. Setiap cabang yang keluar dari sebuah node merepresentasikan kemungkinan nilai dari atribut yang bersesuaian.
mengembangkan decision tree yang lain denganmenyederhanakan node-node yang tidak mempunyai jawaban, dari situ kita mendapat Gambar 2.2. Dari Gambar 2.2 didapat bahwa desion tree yang didapat memerlukan atribut yang lebih sedikit dan mempunyai jawaban yang pasti.
Tabel 2.1 Identifikasi pesawat terbang Atribut Tipe Pesawat Terbang
C130 C141 C5A B747
Jenis Mesin Propeller Jet Jet Jet
Posisi Sayap High High High Low
Bentuk Sayap Conventional Swept Back Swept Back Swept Back Ekor Conventional T-Tail T-Tail Conventional Bulges Under Wings Aft Wings None Aft Cockpit
2.19 Membuat Rule dari Decision tree yang telah dibuat
Pada bagian ini telah jelas bahwa untuk mengidentifikasi pesawat terbang dapat menggunakan decision tree yang ada dengan mengikuti cabang-cabang pada decision tree dengan nilai atribut yang bersesuaian dengan kenyataan yang ada. Sebagai contoh untuk mengidentifikasi bahwa pesawat tersebut adalah B747 pertama yang dilakukan adalah bahwa jenis mesin pesawat tersebut adalah jet kemudian posisi sayap dibawah badan pesawatnya. Tetapi yang akan kita lakukan disini adalah sesuatu yang lebih menarik yaitu kita dapat mengkonversi decision tree yang ada menjadi himpunan production rule. Untuk menggambarkan proses ini akan digunakan Gambar 2.2. Langkah-langkah yang harus ditempuh untuk mengkonversi adalah sebagai berikut :
1. Chain didefinisikan sebagai bagian dari satu node yang ada dalam tree kebagian lain dimana cabang mengarah hanya pada satu arah.
2. Langkah Pertama mengidentifikasi node kesimpulan yang belum diidentifikasi. 3. Langkah Kedua merunut chain dari node kesimpulan menuju ke root node
4. Langkah Ketiga dalam chain yang telah terindentifikasi pada langkah kedua, node yang berupa lingkaran menyatakan THEN node atau node kesimpulan dan node yang berupa kotak merupakan IFnode atau klausa premis.
Gambar 2.2 Production rule (tipe 1) Jadi dari Gambar 2.2 didapat production rule sebagai berikut Rule 1 If engine type is prop then plane is C130
Rule 2 If engine type is jet and wing position is low then plane is B747
Rule 3 If engine type is jet and wing position is high and bulges is none then plane is C5A
Rule 4 If engine type is jet and wing position is high ang bulges are aft of wing then plane is C141
Akhirnya kita bisa membuat knowledge base untuk masalah identifikasi pesawat terbang yang lengkap dan konsisten. Walaupun begitu kita tidak boleh
bergembira terlebih dahulu karena selain lengkap dan konsisten suatu knowledge base haruslah efisien. Satu definisi dari efisien yang mungkin adalah rule set yang mempunyai atribut yang paling sedikit (itu juga berarti sedikitnya pertanyaan yang harus dijawab oleh user). Ketika kita membuat Gambar 2.2 maka Gambar 2.2 itu lebih efisien dari Gambar 2.1, tetapi Gambar 2.2 tidaklah seefisien dari Gambar 2.3.
Dari Gambar 2.3 didapat production rule sebagai berikut Rule 1 If Bulges are none then plane is C5A
Rule 2 If Bulges are aft of wings then plane is C141 Rule 3 If bulges are aft of cockpit then plane is B747 Rule 4 If bulges are under wing then plane is C130
Dari production rule yang didapat diatas didapat bahwa atribut yang paling penting adalah bulges, karena dengan satu atribut saja sudah bisa untuk mengidentifikasi pesawat terbang yang ada. Apabila situasi yang terjadi adalah
deterministik ini tidak akan menjadi maslah, tetapi apabila pengamat tidak bisa menentukan dengan pasti bulges dari pesawat karena cuaca yang buruk atau karena sesuatu hal maka atribut yang lain akan sangat diperlukan.
2.20 Algoritma ID3 untuk Membuat Rule
Untuk menjelaskan algoritma ini akan dibuat sebuah skenario tentang investasi. Jenis investasi yang dijadikan contoh dibatasi pada :
Investasi pada bluechip stock
Investasi pada North American gold mining Investasi pada mortgage-related securities
Tujuan kita adalah untuk memastikan dengan waktu dan kondisi yang diberikan investasi mana yang akan memberikan keuntungan yang terbesar. Untuk itu akan dibuat klasifikasi nilai mutual fund yang diharapkan kedalam tiga klas yaitu high, medium atau low.
Sedangkan dari ketiga tipe mutual fund adalah sebagai berikut : Suku bunga
Jumlah uang yang beredar di Jepang, Eropa Barat dan Amerika Serikat
Derajat gangguan internasional (seperti prospek operasi militer, terorisme dan lainnya)
Dari atribut yang ada kemudian kita membaca data historis yang ada dalam Tabel 2.2 dibawah ini.
Tabel 2.2 Faktor-faktor yang mempengaruhi nilai
Lanjutan Tabel 2.2
Langkah selanjutnya adalah membuat decision tree untuk data-data diatas, langkah yang akan kita pakai menggunakan pendekatan yang lebih sistematik berdasarkan hitungan dari entropi untuk setiap atribut, dimana atribut yang akan dijadikan root node adalah atribut yang mempunyai entropi terendah.
Persamaan 3.1 yang digunakan untuk menghitung entropi sari atribut Ak adalah sebagai berikut :
(3.1)
Dimana,
H(C|Ak) = Entropi dari atribut Ak
P(ak,j) = Probabilitas atribut a mempunyai nilai j
P(ci|ak,j) = Probabilitas nilai klas adalah ci ketika atribut k bernilai j Mk = Total jumlah nilai yang digunakan untuk atribut Ak N = Total jumlah klas yang berbeda i =1,2,3…….N K = Total jumlah atribut yang ada k=1,2,3……..N
Dari data dalam Tabel 2.2 didapat nilai-nilai berikut:
Terdapat 4 atribut (yaitu fund type, interest rate, cash, dan tension) maka K=4
Setelah diperoleh nilai-nilai tersebut diatas maka kita akan menghitung entropi untu setipa atribut. Sebagai contoh akan dihitung entropi untuk atribut cash
P(c1|a3,1) = Probabilitas fund value bernilai high ketika cash bernilai high = 3/6 Nilai-nilai diatas kita subtitusikan kedalam persamaan entropi, maka didapat nilai-nilai sebagai berikut :
dengan cara yang sama akan didapat entropi untuk atribut yang lainnya
Dari hitungan terdapat dua atribut yang mempunyai nilai terendah yang sama, maka kita dapat memilihnya salah satu. Sebagai contoh kita memilih interest untuk dijadikan root node. Setelah kita mendapatkan atribut interest untuk dijadikan root node maka langkah selanjutnya adalah membagi Tabel 2.2 berdasarkan pada nilai atribut interest. Ini akan menghasilkan tiga subtabel (satu untuk nilai interest=high, satu untuk nilai interest=medium dan satu untuk nilai interest=low). Subtabel untuk nilai interest=high dapat dilihat pada Tabel 2.3.
Tabel 2.3 Subtabel untuk nilai interest=high
Mutual Fund Cash Tension Fund Value
Blue Chip High Medium Medium Gold Stock High Medium High Mortgage-related High Medium Low
Gambar 2.4 Percabangan berdasarkan pada mutual fund-type Dari Gambar 2.4 Didapat rule-rule sebagai berikut
Rule 1 If interest rate are high and the fund type is blue chip then the value will be minimum
Rule 2 If interest rate are high and the fund type is gold stock then the value will be high
Rule 3 If interest rate are high and the fund type is mortgage-related then te value will be low
Rule 4 If interest rate are medium and the fund type is blue chip then the value will be low
Rule 5 If interest rate are medium and fund type is gold stock then the value will be medium
Rule 6 If interest rate are medium and the fund type is mortgage-related then tte
value will low
Rule 7 If interest rate are low and the fund type is blue chip then the value will be
high
Rule 8 If interest rate are low and the fund type is gold stock then the value will be medium
Rule 9 If interest rate are low and the fund type is mortgage-related then te value will be high
Kita juga bisa menggabung dari rule-rule yang ada. Sebagai contoh rule 5 dan rule 8 bisa digabung menjadi,
Ada beberapa catatan bahwa decision tree yang ada dalam Gambar 2.4 mungkin akan menuntun kita pada suatu kesimpulan bahwa setiap level pada tree akan mempunyai atribut yang sama. Sebagai contoh pada level 2 Gambar 2.4 kita mendapatkan atribut mutual fund type. Ini hanyalah sebuah kebetulan belaka.
2.21 Perangkat Lunak untuk Rule Induction
Dalam pasaran ada beberapa produk perangkat lunak yang digunakan untuk membuat production rule ari contoh-contoh yang diberikan. Pada kesempatan ini kita akan menjelaskan dengan singkat 2 software yang ada dipasaran :
1. VP-Expert
VP-Expert menggunakan perintah yang diistilahkan dengan INDUCE untuk mengembangkan rule dari data yang diberikan.
2. Xi-Plus
Xi-Plus mempunyai rutin terpisah yang dinamakan Xi-Rule yang digunakan untuk membuat aturan dari data yang diberikan. Metode yang digunakan oleh Xi-Rule untuk membuat aturan dari data yang diberikan adalah ID3.
Ada tiga alternatif bisa yang digunakan untuk menguji apakah erangkat lunak yang telah dibeli memberikan hasil yang baik atau tidak :
1. Kita menerima kebenaran hasil yang diberikan oleh perangkat lunak yang kita beli.
2. Kita membaca dengan hati-hati ulasan-ulasan mengenai perangkat lunak tersebut atau mencari seseorang yang telah menggunakan perangkat lunak tersebut kemudian menanyakan bagaiman pendapatnya tentang perangkat lunak tersebut.
BAB 3 REPRESENTASI PENGETAHUAN
Pengetahuan merupakan kemampuan untuk membentuk model mental yang menggambarkan obyek dengan tepat dan merepresentasikannya dalam aksi yang dilakukan terhadap suatu obyek.
Pengetahuan dapat diklasifikasikan ke dalam tiga kategori, yaitu pengetahuan prosedural (procedural knowledge), pengetahuan deklaratif (declarative knowledge), dan pengetahuan tacit (tacit knowledge). Pengetahuan prosedural lebih menekankan bagaimana melakukan sesuatu. Pengetahuan deklaratif yaitu pengetahuan untuk menjawab pertanyaan apakah sesuatu bernilai salah atau benar. Sedangkan pengetahuan tacit merupakan pengetahuan yang tidak dapat diungkapkan dengan bahasa. Misalnya: bagaimana cara kita memindahkan tangan.
Definisi Representasi Pengetahuan
Representasi pengetahuan adalah metode yang digunakan untuk mengkodekan pengetahuan dalam sebuah sistem pakar yang berbasis pengetahuan. Representasi pengetahuan dimaksudkan untuk menangkap sifat-sifat penting problema dan membuat informasi tersebut dapat diakses oleh prosedur pemecahan masalah.
Bahasa representasi harus dapat membuat seorang programmer mampu mengekspresikan pengetahuan yang diperlukan untuk mendapatkan solusi dari permasalahan dan dapat diterjemahkan dalam bahasa pemrograman serta dapat disimpan. Bahasa representasi harus dirancang agar fakta-fakta dan pengetahuan lainnya yang terkandung di dalamnya dapat digunakan sebagai penalaran.
Model Representasi Pengetahuan
Pengetahuan dapat direpresentasikan dalam bentuk yang sederhana atau komplek, tergantung dari masalahnya (Schnupp, 1989). Beberapa model representasi pengetahuan yang penting adalah:
3.1 Logika (Logic)
proses membentuk sebuah kesimpulan atau menarik suatu inferensi fakta yang telah ada.
Logika adalah bentuk representasi pengetahuan yang paling tua. Proses logika adalah proses membentuk kesimpulan atau menarik suatu inferensi berdasarkan fakta yang telah ada. Input dari proses logika berupa premis atau fakta-fakta yang diakui kebenarannya sehingga dengan melakukan penalaran pada proses logika dapat dibentuk suatu inferensi atau kesimpulan yang benar juga.
Gambar 3.1 Proses logika
Ada 2 penalaran yang dapat dilakukan untuk mendapat konklusi :
1. Penalaran deduktif : dimulai dari prinsip umum untuk mendapatkan konklusi yang lebih khusus, Contoh :
Premis mayor : Jika hujan turun saya tidak akan berangkat kuliah Premis minor : Hari ini hujan turun
Konklusi : Hari ini saya tidak akan berangkat kuliah
2. Penalaran induktif : dimulai dari fakta-fakta khusus untuk mendapatkan kesimpulan umum, Contoh :
Premis -1 : Aljabar adalah pelajaran yang sulit Premis -2 : Geometri adalah pelajaran yang sulit Premis -3 : Kalkulus adalah pelajaran yang sulit Konklusi : Matematika adalah pelajaran yang sulit
Munculnya premis baru bisa mengakibatkan gugurnya konklusi yang sudah diperoleh, misal : Premis -4 : Kinematika adalah pelajaran yang sulit
Premis tersebut menyebabkan konklusi : “Matematika adalah pelajaran yang sulit”, menjadi salah, karena Kinematika bukan merupakan bagian dari Matematika, sehingga bila menggunakan penalaran induktif sangat dimungkinkan adanya ketidakpastian.
3.1.1 Logika Proposisi
Not And, Or, If – Then, If – and – only – if P not P
B S S B
P Q P and Q P or Q if P then Q P if and only if Q
B B B B B B
B S S B S S
S B S B B S
S S S S B B
3.1.2 Logika Predikat
Representasi Fakta Sederhana
Misal diketahui fakta-fakta sebagai berikut : Andi adalah seorang laki-laki : A Ali adalah seorang laki-laki : B Amir adalah seorang laki-laki : C Anto adalah seorang laki-laki : D Agus adalah seorang laki-laki : E
Jika kelima fakta tersebut dinyatakan dengan menggunakan proposisi, maka akan terjadi pemborosan, dimana beberapa pernyataan dengan predikat yang sama akan dibuat dalam proposisi yang berbeda. Logika predikat digunakan untuk merepresentasikan hal-hal yang tidak dapat direpresentasikan dengan menggunakan logika proposisi. Pada logika predikat kita dapat merepresentasikan fakta-fakta sebagai suatu pernyataan yang disebut dengan wff (well – formed formula). Logika predikat merupakan dasar bagi bahasa AI seperti bahasa pemrograman PROLOG Pada contoh diatas, dapat dituliskan :
laki-laki(x)
dimana x adalah variabel yang disubstitusikan dengan Andi, Ali, Amir, Anto, Agus, dan laki-laki yang lain.
Dalam logika predikat, suatu proposisi atau premis dibagi menjadi 2 bagian, yaitu argumen (objek) dan predikat (keterangan). Argumen adalah individu atau objek yang membuat keterangan. Predikat adalah keterangan yang membuat argumen dan predikat.
