Pengertian Sistem Pakar

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, dan sistem pakar yang baik dirancang agar dapat menyelesaikan
suatu permasalahan tertentu dengan meniru kerja dari para ahli (Kusumadewi, 2003:109).

Sistem pakar pertama kali dikembangkan oleh komunitas AI pada pertengahan tahun 1960.
Sistem pakar yang muncul pertama kali adalah General Purpose Problem Solver (GPS) yang
dikembangkan oleh Newel & Simon (Turban, 1995).

Ilustrasi Sistem pakar

Teori Keputusan Bayesian (Bayesian Decision Theory)

Bayesian Decision Theory adalah teori pengambilan keputusan pada sebuah proses
pengklasifikasian. Masalah ini biasa di pelajari pada mata kuliah Pattern Recognition dan
Computer Vision

Semisal diasumsikan ada dua buah kelas / kelompok / grup w1 dan w2 . Kemudian kita bisa
menentukan probabilitas dari suatu data apakah termasuk dalam kelas w1 atau w2 . Sebagai
contoh kita akan menentukan apakah seekor ikan yang ditangkap nelayan merupakan
kelompok salmon atau sea-bass. Semisal kita tidak tahu apa perbedaan antara sea-bass dan
salmon, maka kita akan bisa mengambil beberapa ciri yang akan kita gunakan untuk
membedakan keduanya. ciri tersbut bisa panjang, cerah dan tidaknya warna, dan sebagainya.
Setelah itu kita akan menentukan berapa besar probabilitas seekor ikan tergolong ke sea-bass
dan atau salmon.
Diputuskan Salmon, jika P(salmon) > P(sea bass), selainnya sea bass
Bayes formula, dalam bahasa inggris bisa diartikan secara matematis dengan :

posterior=likelihood x prior
evidence
prior adalah probabilitas awal dari suatu kelas dilambangkan dengan P(wi), sedangkan
likelihood adalah probabilitas dari sebuah obyek atau data x termasuk di dalam suatu kelas
P(x|wi), evidence adalah probabilitas kemunculan data x atau P(x), dan posterior adalah
probabilitas dari sebuah kelas dinyatakan sebagai kelas dari data x yang telah diukur
sebelumnya atau P(wi|x). Secara matematis dirumuskan dengan:

berikut ini adalah contoh fungsi likelihood dari kecerahan warna dua buah ikan. Fungsi ini
menunjukkan bahwa Bayes Formula bisa diaplikasikan pada fungsi yang kontinyu.

Likelihood Ratio (Perbandingan kemiripan)

Pada kasus ini Bayesian Decision Rule dituliskan dengan

pilih kelas pertama, sedangkan kalu selainnya pilih kelas kedua

Dengan menerapkan Bayes Rule kita akan memperoleh

dengan mengeliminasi P(x) maka akan diperoleh Likelihood Ratio: