Anda di halaman 1dari 55
Pengenalan Sistem Pakar Sistem Pakar 1
Pengenalan Sistem Pakar
Sistem Pakar
1
Definisi Sistem Pakar • Durkin : – Suatu program komputer yang dirancang untuk memodelkan kemampuan
Definisi Sistem Pakar
• Durkin :
– Suatu program komputer yang dirancang untuk memodelkan
kemampuan penyelesaian masalah yang dilakukan oleh seorang pakar
• Ignizio :
– Suatu model dan prosedur yang berkaitan, dalam suatu domain
tertentu, yang mana tingkat keahliannya dapat dibandingkan dengan
keahlian seorang pakar
• Giarratano & Riley :
– Suatu sistem komputer yang bisa menyamai atau meniru kemampuan
seorang pakar
• E. Feigenbaum :
– Sebuah program komputer cerdas yang menggunakan pengetahuan
dan prosedur inferensi untuk menyelesaikan masalah yang cukup sulit
sehingga memerlukan kepakaran seseorang
2
Pengertian Sistem Pakar • Membuat S/W Expert Systems sebagai penasehat/konsultan pakar • Tidak untuk menggantikan
Pengertian Sistem Pakar
• Membuat S/W Expert Systems sebagai
penasehat/konsultan pakar
• Tidak untuk menggantikan kedudukan seorang pakar
ttp u/ memasyarakatkan pengetahuan &
pengalamaan pakar tsb.
• Memungkinkan orang lain meningkatkan
produktivitas, memperbaiki kualitas keputusan dll
• Dapat mengumpulkan dan penyimpan pengetahuan
seorang/beberapa orang pakar ke dalam komp. u/
semua orang yang memerlukan
3
4
4
5
5
6
6
Siapakah Pakar (Expert) ? • Seorang pakar/ahli (human expert) adalah seorang individu yang memiliki kemampuan
Siapakah Pakar (Expert) ?
• Seorang pakar/ahli (human expert) adalah
seorang individu yang memiliki kemampuan
pemahaman yang superior dari suatu
masalah .
– Contoh: seorang dokter, penasehat keuangan,
pakar mesin mobil, dll.
7
Kepakaran (Expertise) • Pemahaman yang luas dari tugas atau pengetahuan spesifik yang diperoleh dari pelatihan,
Kepakaran (Expertise)
• Pemahaman yang luas dari tugas atau
pengetahuan spesifik yang diperoleh dari
pelatihan, membaca dan pengalaman.
8
Kemampuan Kepakaran • Dapat mengenali (recognizing) dan merumuskan masalah • Menyelesaikan masalah dengan cepat dan
Kemampuan Kepakaran
• Dapat mengenali (recognizing) dan merumuskan
masalah
• Menyelesaikan masalah dengan cepat dan tepat
• Menjelaskan solusi
• Belajar dari pengalaman
• Restrukturisasi pengetahuan
• Menentukan relevansi/hubungan
• Memahami batas kemampuan
9
Bentuk Pengetahuan dalam Kepakaran • Fakta-fakta • Teori-teori dari permasalahan • Aturan dan prosedur yang
Bentuk Pengetahuan dalam
Kepakaran
• Fakta-fakta
• Teori-teori dari permasalahan
• Aturan dan prosedur yang mengacu pada area
permasalahan
• uran (
h
yang terjadi
At
eur s
i
tik
) yang
h
arus
dik
erja an pa
k
d
a s
it
uas
i
• Strategi global untuk menyelesaikan berbagai jenis
masalah
• Meta-knowledge (pengetahuan tentang
pengetahuan)
10
Komponen Utama Sistem Pakar U ser Interface Expertise Knowledge Base Facts / Information Inference Engine
Komponen Utama Sistem Pakar
U ser Interface
Expertise
Knowledge Base
Facts / Information
Inference Engine
Expertise
11
Komponen Utama Sistem Pakar • Knowledge base (Basis Pengetahuan) – berisi semua fakta, ide, hubungan,
Komponen Utama Sistem Pakar
• Knowledge base (Basis Pengetahuan)
– berisi semua fakta, ide, hubungan, aturan dari suatu
domain permasalahan
• Inference Engine (Motor inferensi )
– bertugas untuk menganalisis pengetahuan dan menarik
kesimpulan berdasarkan knowledge base dan aturan.
• User Interface
– Interaksi dengan user
– Membangun dan memelihara basis pengetahuan
(knowledge base)
12
Domain Sistem Pakar Problem Domain (Domain Masalah) Knowledge Domain (Domain Pengetahuan) 13
Domain Sistem Pakar
Problem Domain
(Domain Masalah)
Knowledge Domain
(Domain Pengetahuan)
13
Konsep Umum Sistem Pakar • knowledge acquisition – transfer knowledge dari manusia atau sumber lainnya
Konsep Umum Sistem Pakar
• knowledge acquisition
– transfer knowledge dari manusia atau sumber lainnya ke
komputer
• knowledge representation
– Penyimpanan dan pemrosesan pengetahuan dalam
komputer
• inference
– Mekanisme pengambilan kesimpulan dari pengetahuan
dalam komputer
• explanation
– Menjelaskan kepada user apa dan bagaimana solusi yang
dihasilkan
14
Tahap Pengembangan Sistem Pakar • Human Expert Proses pembuatan SP knowledge engineering yg dilakukan oleh
Tahap Pengembangan Sistem
Pakar
Human Expert
Proses pembuatan SP knowledge
engineering yg dilakukan oleh
knowledge engineer. Selain itu
domain expert dan end user.
Dialog
Knowledge Engineer Knowledge Base Of Expert System
Knowledge
Engineer
Knowledge Base
Of Expert System

Tugas knowledge engineer adalah memilih S/W & H/W u/ pembuatan SP, membantu mengambil pengetahuan yg dibutuhkan dari pakar domain, serta implementasi pengetahuan pada basis pengetahuan yg benar & efisien

Explicit Knowledge • Tugas pakar domain : menyediakan pengetahuan ttg bid problem yg dihadapi, memahami
Explicit Knowledge
• Tugas pakar domain : menyediakan
pengetahuan ttg bid problem yg
dihadapi, memahami teknik-teknik
pemecahan problema yg dipakai.
15
Pengembangan Teknologi Sistem Pakar • Sangat dipengaruhi oleh pengetahuan kognitif dan matematika – Cara manusia
Pengembangan Teknologi
Sistem Pakar
• Sangat dipengaruhi oleh pengetahuan kognitif
dan matematika
– Cara manusia memecahkan masalah
– Dasar formal, terutama logika dan inferensi
• Aturan produksi sebagai mekanisme
representasi
– Tipe aturan IF … THEN
– Mirip dengan cara manusia memberi alasan
– Explanation facility
16
Rules and Humans • Rules dapat digunakan untuk memformulasikan teori human information processing (Newell &
Rules and Humans
• Rules dapat digunakan untuk memformulasikan teori human
information processing (Newell & Simon)
– rules disimpan dalam memori jangka panjang
– pengetahuan sementara diletakkan di memori jangka
pendek
– input sensor atau berpikir memicu aktifasi dari aturan-
aturan
– aturan yang telah diaktifkan mungkin memicu aktifasi
berikutnya
– pengolah kognitif mengkombinasikan bukti-bukti dari
aturan-aturan yang sedang diaktifkan
• Model ini adalah dasar dari desain sistem berbasis aturan
(rule-based systems)
– disebut juga production systems
17
Perkembangan Teknologi SP • MYCIN – Dirancang oleh Edward Feigenbaum (Universitas Stanford) th ’70 an
Perkembangan Teknologi SP
• MYCIN
– Dirancang oleh Edward Feigenbaum (Universitas Stanford) th
’70 an SP medical yg dpt mendiagnosa infeksi bakteri &
rekomendasi pengobatan antibiotik
• DENDRAL
– - SP struktur molekular & kimia
• PROSPECTOR
– Membantu ahli geologi yg mencari & menemukan biji deposit
(mineral& batu-batuan). Didesign oleh Sheffield Research
Institute, akhir ‘70an
• XCON (R1)
– SP konfigurasi sistem komputer dasar. Dikembangkan oleh
Digital Equipment Corporation (DEC) dan Carnegie Mellon
Universitas (CMU), akhir ’70 an.Untuk sistem komputer DEC
VAC 11 1780
18
Perkembangan Teknologi SP • DELTA – Didesign & dikembangkan oleh General Electric Company – SP
Perkembangan Teknologi SP
• DELTA
– Didesign & dikembangkan oleh General Electric Company
– SP personal maintenance dg mesin lokomotif listrik diesel.
• YESMVS
– Didesign oleh IBM awal th ‘80an
– Membantu operator komputer & mengontrol sistem
operasi MVS (multiple virtual storage)
• ACE
– Didesign & dikembangkan oleh AT&T Bell Lab awal th
‘80an
– SP troubleshooting pd sistem kabel telpon
19
Kategori Problema SP • Interpretasi – membuat kesimpulan atau deskripsi dari sekumpulan data mentah. •
Kategori Problema SP
• Interpretasi – membuat kesimpulan atau deskripsi
dari sekumpulan data mentah.
• Prediksi – memproyeksikan akibat-akibat yang
dimungkinkan dari situasi-situasi tertentu
• Diagnosis – menentukan sebab malfungsi dalam
situasi kompleks yang didsarkan pada gejala-gejala
yang teramati
• Desain – menentukan konfigurasi komponen-
komponen sistem yang cocok dengan tujuan-tujuan
kinerja tertentu yang memnuhi kendala - kendala
tertentu
• Perencanaan – merencanakan serangkaian tindakan
yang akan dapat mencapai sejumlah tujuan dengan
kondisi awal tertentu
20
Kategori Problema SP • Debugging dan Repair – menentukan dan menginterpretasikan cara-cara untuk mengatasi
Kategori Problema SP
• Debugging dan Repair – menentukan dan
menginterpretasikan cara-cara untuk mengatasi
malfungsi.
• Instruksi – mendeteksi dan mengoreksi defisiensi
b
d
a am pema aman
l
h
d
oma n su
i
ye
k
• Pengendalian – mengatur tingkah laku suatu
environment yang kompleks
• Selection – mengidentifikasi pilihan terbaik dari
sekumpulan (list) kemungkinan
• Simulation – pemodelan interaksi antara komponen-
komponen sistem
• Monitoring – membandingkan hasil pengamatan
dengan kondisi yang diharapkan
21
Kunci Sukses Sistem Pakar • Meyakinkan gagasan – Aturan-aturan, model-model kognitif • Aplikasi-aplikasi praktis
Kunci Sukses Sistem Pakar
• Meyakinkan gagasan
– Aturan-aturan, model-model kognitif
• Aplikasi-aplikasi praktis
– Obat-obatan, teknologi komputer, …
• Pemisahan pengetahuan (knowledge) dan
kesimpulan (inference)
– expert system shell
• Memungkinkan penggunaan kembali ‘permesinan’ untuk
domain yang berbeda
• Konsentrasi pada domain pengetahuan
22
Kapan Menggunakan SP • Sistem pakar tidak dapat diterapkan untuk semua tipe domain dan tugas
Kapan Menggunakan SP
• Sistem pakar tidak dapat diterapkan untuk
semua tipe domain dan tugas
– Algoritma konvensional diketahui dan efisien
– Tantangan utama-nya adalah komputasi, bukan
knowledge
– knowledge tidak dapat diperoleh secara mudah
– user mungkin segan untuk menerapkan sistem
pakar untuk tugas-tugas kritis
23
Aplikasi Sistem Pakar 24
Aplikasi Sistem Pakar
24
25
25
Tools Sistem Pakar • languages – higher-level languages didesain khusus untuk merepresentasikan knowledge dan
Tools Sistem Pakar
• languages
– higher-level languages didesain khusus untuk
merepresentasikan knowledge dan alasan
,
– PROLOG LISP CLIPS SAIL KRL KQML
,
,
,
,
• shells
– Sebuah tools dengan tujuan khusus didesain
untuk tipe aplikasi tertentu dimana user hanya
men-suplai basis pengetahuan.
26
Elemen Sistem Pakar Knowledge Base Knowledge Acquisition Facility Inference Engine Agenda Explanation Facility
Elemen Sistem Pakar
Knowledge Base
Knowledge
Acquisition
Facility
Inference Engine
Agenda
Explanation
Facility
Working Memory
27
User Interfa ce
Sistem Pakar Berbasis Aturan (Rules) • Pengetahuan dikodekan menjadi aturan IF THEN … • Motor
Sistem Pakar Berbasis Aturan
(Rules)
• Pengetahuan dikodekan menjadi aturan IF
THEN
• Motor inferensi menentukan mana aturan
yang terpenuhi lebih dahulu
– sisi kiri harus cocok dengan fakta di dalam memori
kerja
• Aturan yang terpenuhi ditempatkan pada
agenda
• Aturan pada agenda dapat diaktifasi
– aturan yang teraktifasi mungkin menghasilkan
fakta-fakta baru melalui sisi kanan
– pengaktifan satu aturan bisa menyebabkan
pengaktifan aturan yang lain
28
Contoh Aturan IF … THEN Rules antecedent Rule: Red_Light (left-hand-side) IF THEN the light is
Contoh Aturan
IF … THEN Rules
antecedent
Rule: Red_Light
(left-hand-side)
IF
THEN
the light is red
stop
consequent
(right-hand-side)
Rule: Green_Light
IF
THEN
the light is green
go
antecedent (left-hand-side)
Production Rules
consequent
the light is red ==> stop
the light is green ==> go
(right-hand-side)
29
MYCIN Sample Rule Human-Readable Format IF AND AND THEN the stain of the organism is
MYCIN Sample Rule
Human-Readable Format
IF
AND
AND
THEN
the stain of the organism is gram negative
the morphology of the organism is rod
the aerobiocity of the organism is gram anaerobic
the there is strongly suggestive evidence (0.8)
that the class of the organism is enterobacteriaceae
MYCIN Format
IF
(AND (SAME CNTEXT GRAM GRAMNEG)
(SAME CNTEXT MORPH ROD)
(SAME CNTEXT AIR AEROBIC)
THEN (CONCLUDE CNTEXT CLASS ENTEROBACTERIACEAE
TALLY .8)
[Durkin 94, p. 133]
30
Inference Engine Cycle • conflict resolution – Memilih rule dengan prioritas tertinggi dari agenda •
Inference Engine Cycle
• conflict resolution
– Memilih rule dengan prioritas tertinggi dari agenda
• execution
– Menjalankan aksi pada consequent dari rule yang terpilih
– remove the rule from the agenda
• match
– update the agenda
• Menambah rules yang antecedents-nya sesuai dengan
agenda
• remove rules with non-satisfied agendas
Siklus berhenti ketika tidak ada rules pada agenda
atau ketika perintah berhenti ditemukan
31
Metode Aktifasi Rules • Forward Chaining • Backward Chaining 32
Metode Aktifasi Rules
• Forward Chaining
• Backward Chaining
32
Forward Chaining • forward chaining (data-driven) – reasoning from facts to the conclusion – as
Forward Chaining
• forward chaining (data-driven)
– reasoning from facts to the conclusion
– as soon as facts are available, they are used to
match antecedents of rules
– a rule can be activated if all parts of the
antecedent are satisfied
– often used for real-time expert systems in
monitoring and control
– examples: CLIPS, OPS5
33
Backward Chaining • backward chaining (query-driven) – starting from a hypothesis (query), supporting rules and
Backward Chaining
• backward chaining (query-driven)
– starting from a hypothesis (query), supporting
rules and facts are sought until all parts of the
antecedent of the h
yp
othesis are satisfied
– often used in diagnostic and consultation
systems
– examples: EMYCIN
34
Foundations of Expert Systems Rule-Based Expert Systems Inference Engine Knowledge Base Pattern Conflict Facts
Foundations of Expert Systems
Rule-Based Expert Systems
Inference Engine
Knowledge Base
Pattern
Conflict
Facts
Rules
Matching
Resolution
Post
Rete
Production
Algorithm
Action
Rules
Execution
Markov
Algorithm
35
Post Production Systems • Production rules (aturan produksi) digunakan oleh logikawan Emil L. Post pada
Post Production Systems
• Production rules (aturan produksi) digunakan oleh
logikawan Emil L. Post pada awal tahun 40-an dalam
logika simbolik
• Hasil teori Post
– any system in mathematics or logic can be written as a
production system
• Prinsip dasar production rules
– seperangkat aturan mengatur konversi dari satu set string
menjadi set string yang lain
• aturan ini juga dikenal sebagai aturan penulisan ulang
• simple syntactic string manipulation
• no understanding or interpretation is required
• also used to define grammars of languages
– e.g. BNF grammars of programming languages
36
Markov Algorithms • in the 1950s, A. A. Markov introduced priorities as a control structure
Markov Algorithms
• in the 1950s, A. A. Markov introduced
priorities as a control structure for production
systems
– ru es w
l
ith hi
g
h
er pr or
i
iti
es are app e
li
d fi
rs
t
– allows more efficient execution of production
systems
– but still not efficient enough for expert systems
with large sets of rules
37
ES Problems • limited knowledge – “shallow” knowledge • no “deep” understanding of the concepts
ES Problems
• limited knowledge
– “shallow” knowledge
• no “deep” understanding of the concepts and their
relationships
– no “common-sense” knowledge
– no knowledge from possibly relevant related domains
– “closed world”
• the ES knows only what it has been explicitly “told”
• it doesn’t know what it doesn’t know
38
ES Problems • mechanical reasoning – may not have or select the most appropriate method
ES Problems
• mechanical reasoning
– may not have or select the most appropriate
method for a particular problem
– some “eas ”
expensive
y
p
roblems are com utationall
p
y
ver
y
• lack of trust
– users may not want to leave critical decisions to
machines
39
Summary • expert systems or knowledge based systems are used to represent and process in
Summary
expert systems or knowledge based systems are used
to represent and process in a format that is suitable
for computers but still understandable by humans
If-Then rules are a popular format
t
h
e ma n components o an expert system are
i
f
knowledge base
inference engine
ES can be cheaper, faster, more accessible, and more
reliable than humans
ES have limited knowledge (especially “common-
sense”), can be difficult and expensive to develop, and
users may not trust them for critical decisions
40
DATA = INFORMASI ? DATA Data: Nilai/value yang turut merepresentasikan deskripsi dari suatu objek atau
DATA = INFORMASI ?
DATA
Data: Nilai/value yang turut
merepresentasikan deskripsi dari
suatu objek atau kejadian (event)
PENGOLAHAN
INFORMASI
Informasi merupakan hasil dari
pengolahan data dalam suatu
bentuk yang lebih berguna dan
lebih berarti bagi penerimanya,
yang menggambarkan suatu
kejadian-kejadian (event) yang
nyata (fact) yang digunakan untuk
pengambilan keputusan.
41
Pengetahuan (Knowledge) INFORMASI PENGOLAHAN • pengalaman, pelatihan PENGETAHUAN • Data + processing =
Pengetahuan (Knowledge)
INFORMASI
PENGOLAHAN
• pengalaman, pelatihan
PENGETAHUAN
• Data + processing = information
• Information + processing (pengalaman, training, dll) = knowledge
42
Struktur Dasar SP • Knowledge Base • Working Memory • Inference Engine 43
Struktur Dasar SP
• Knowledge Base
• Working Memory
• Inference Engine
43
Knowledge Base • Definisi : Bagian dari sistem pakar yang berisi domain pengetahuan • Berisi
Knowledge Base
• Definisi : Bagian dari sistem pakar yang berisi
domain pengetahuan
• Berisi pengetahuan yang dibutuhkan untuk
memahami, merumuskan dan menyelesaikan
masalah.
Terdiri dari 2 elemen dasar:
• Fakta, situasi masalah dan teori yang terkait
• Heuristik khusus atau rules, yang langsung
menggunakan pengetahuan untuk menyelesaikan
masalah khusus.
44
Working Memory Definisi : bagian dari sistem pakar yang berisi fakta-fakta masalah yang ditemukan dalam
Working Memory
Definisi : bagian dari sistem pakar yang berisi
fakta-fakta masalah yang ditemukan dalam
suatu sesi
• Berisi fakta-fakta tentang suatu masalah yang
ditemukan dalam proses konsultasi
45
Inference Engine Definisi : Processor pada sistem pakar yang mencocokan fakta-fakta yang ada pada working
Inference Engine
Definisi : Processor pada sistem pakar yang
mencocokan fakta-fakta yang ada pada
working memori dengan domain pengetahuan
yang terdapat pada knowledge base, untuk
menarik kesimpulan dari masalah yang
dihadapi.
• Proses
berpikir
pada
manusia
dimodelkan
dalam sistem pakar pada modul yang disebut
Inference Engine.
46
Kelebihan Sistem Pakar • Availability • • Intelligent tutor Cost • Intelligent dB • Danger-reduced
Kelebihan Sistem Pakar
• Availability
Intelligent tutor
Cost
• Intelligent dB
• Danger-reduced
• Performance
• Multiple expertise
• Reliability
• Explanation
• Response-cepat
• Steady, unemotional and complete response
47
Struktur Detail SP Terdiri atas 2 bagian : • Development Environment (Lingkungan Pengembangan) • Consultation
Struktur Detail SP
Terdiri atas 2 bagian :
• Development Environment (Lingkungan
Pengembangan)
• Consultation Environment (Lingkungan
Konsultasi)
48
Karakteristik Sistem Pakar • High Performance • Adequate response time • Good reliability • Understanable
Karakteristik Sistem Pakar
• High Performance
• Adequate response time
• Good reliability
• Understanable
• Flexibility
49
Post Production Systems Idenya : • Sistem matematika & logika merupakan set aturan sederhana untuk
Post Production Systems
Idenya :
• Sistem matematika & logika merupakan set
aturan sederhana untuk menentukan
bagaimana mengubah 1 string simbol ke dlm
simbol lainnya.
• Yaitu dengan input string, kejadian
sebelumnya
50
Algoritma Markov • Merupakan kelompok produksi yg terorder yang diterapkan untuk prioritas ke input string.
Algoritma Markov
• Merupakan kelompok produksi yg terorder yang
diterapkan untuk prioritas ke input string.
• Algoritma akan berakhir dg baik jika:
– (1). Produksi terakhir tidak dapat diterapkan pada string
– (2). Suatu produksi yg berakhir dg periode diterapkan.
• Jika input string GABKAB
Sistem produksi AB HIJ
Maka hasil akhir GHIJKHIJ
• Karakter ^ string nol
• Mis A ^ artinya menghilangkan seluruh kejadian
karakter A dlm suatu string
51
Algoritma Markov • Karakter tunggal a,b,c,…… • Mis AxB BxA artinya mengubah karakter A dan
Algoritma Markov
Karakter tunggal a,b,c,……
Mis AxB BxA artinya mengubah karakter A dan B
C
h
ke akhir
Huruf Yunani α,β
d
on o
t
:
M
em n
i
a
hk
an
h
uru
f
per ama s r ng
t
t
i
i
npu
t
Aturan 1. αxy yαx
2. α
^
3. ^
α
Input ABC
52
Algoritma Markov Input ABC Aturan Sukses atau Gagal String 1 G ABC 2 G ABC
Algoritma Markov
Input ABC
Aturan
Sukses atau Gagal
String
1
G
ABC
2
G
ABC
3
S
αABC
1
S
BαAC
1
S
BCαA
1
G
BCαA
53
2
S
BCA
Algoritma Rete • Pada algoritma Markov diterapkan aturan/baris prioritas lebih tinggi. • Masalah timbul jika
Algoritma Rete
• Pada algoritma Markov diterapkan aturan/baris prioritas lebih
tinggi.
• Masalah timbul jika system mempunyai aturan/baris yang
banyak, maka tidak akan efisien.
• Solusinya adalah algoritma Rete yang dikembangkan oleh
Charles L F di Carnegie-Mellon Universit
.
y
(1979)
• Yaitu algoritma yg mengetahui tentang seluruh aturan/baris
seluruh sistem dan dapat menerapkan suatu baris tanpa
harus mencoba setiap baris tanpa berangkai (mencari
perubahan dalam gabungan setiap cycle)
• Merupakan gabungan pola yang sangat cepat, yang
mendapatkan kecepatannya dengan menyimpan informasi
tentang baris dalam jaringan.
54
Referensi • Artifial Intelligent, George F.Luger • Artificial Intelligent, Sandi Setiawan • Artificial
Referensi
• Artifial Intelligent, George F.Luger
• Artificial Intelligent, Sandi Setiawan
• Artificial Intelligent, Elaine Rich, Kevin Knight
• Expert System, Giarrantino/ Rilley
• Peng.Sistem Pakar, Gunadarma
55