Chapter 4 Sistem Pakar - 2

SISTEM PAKAR
(expert system)
SISTEM PAKAR
Kepakaran (Expertise)
Kepakaran merupakan suatu pengetahuan yang diperoleh
dari pelatihan, membaca dan pengalaman.
Kepakaran inilah yang memungkinkan para ahli untuk

dapat mengambil keputusan lebih cepat dan lebih baik
daripada seseorang yang bukan pakar.
SISTEM PAKAR
Pakar (Expert)
Pakar adalah seseorang yang mempunyai pengetahuan,
pengalaman, dan metode khusus, serta mampu
menerapkannya untuk memecahkan masalah atau
memberi nasehat yg lebih cepat, lebih baik dan lebih
bijak dari kebanyakan orang.
SISTEM PAKAR
• Sistem Pakar (Expert System) adalah salah
satu cabang dari AI yg paling banyak dibuat
aplikasinya selain Game.
• Sistem Pakar mencoba membuat komputer
berfikir dan menyelesaikan masalah layaknya
seorang pakar (expert).
KEMAMPUAN KEPAKARAN
a. Dapat mengenali (recognizing) dan
merumuskan masalah
b. Menyelesaikan masalah dengan cepat dan
tepat
c. Menjelaskan solusi
d. Belajar dari pengalaman
e. Restrukturisasi pengetahuan
f. Menentukan relevansi/hubungan
g. Memahami batas kemampuan
BEBERAPA PENGERTIAN
SISTEM PAKAR
• Turban (2001, p402)
Sistem pakar: sebuah sistem yang menggunakan pengetahuan manusia di mana
pengetahuan tersebut dimasukkan ke dalam sebuah computer dan kemudian
digunakan untuk menyelesaikan masalah-masalah yang biasa membutuhkan
kepakaran atau keahlian manusia.
• Jackson (1999, p3)

Sistem pakar adalah program computer yang merepresentasikan dan melakukan
penalaran dengan pengetahuan beberapa pakar untuk memecahkan masalah
atau memberi saran.
• Luger dan Stubblefield (1993, p308)

Sistem pakar adalah program yang berbasiskan pengetahuan yang menyediakan
solusi kualitas pakar kepada masalah-masalah dalam bidang (domain) yang
spesifik.
BEBERAPA CONTOH
• 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 dgn 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.
BEBERAPA CONTOH
• DENDRAL
– Mengidentifikasi struktur molekular campuran kimia yang
tak dikenal.
• XCON
– Merupakan sistem pakar untuk membantu konfigurasi
sistem komputer besar.
• 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.
BEBERAPA CONTOH
• PROSPECTOR
– sistem pakar yang membantu ahli geologi dalam
mencari dan menemukan deposit.
– Data yg diinputkan : ciri-ciri geologi dicatat, sampel
tanah dan batu-batuan.
• 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.
BEBERAPA CONTOH
• 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.
BEBERAPA CONTOH
• 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.
– Basis pengetahuan pada EL merupakan prinsip umum
elektronik seperti hukum OHM, hukumkirchoff,
karakteristik komponen, teori operasi transistor.
RUANG LINGKUP
• Interpretasi
– Yaitu pengambilan keputusan dari hasil observasi, diantaranya : pengawasan,
pengenalan ucapan, analisis citra, interpretasi sinyal, dan beberapa analisis
kecerdasan
• Prediksi
– Memprediksi akibat-akibat yang dimungkinkan dari situasi-situasi tertentu,
diantaranya peramalan, prediksi demografis, peralaman ekonomi, prediksi
lalulintas, estimasi hasil, militer, pemasaran, atau peramalan keuangan.
• Diagnosis
– Menentukan sebab malfungsi dalam situasi kompleks yang didasarkan pada
gejala-gejala yang teramati, diantaranya : medis, elektronis, mekanis, dan
diagnosis perangkat lunak
• Desain
– Menentukan konfigurasi komponen-komponen sistem yang cocok dengan
tujuan-tujuan kinerja tertentu dan kendala-kendala tertentu, diantaranya :
layout sirkuit, perancangan bangunan.
RUANG LINGKUP
• Perencanaan
– Merencanakan serangkaian tindakan yang akan dapat mencapai sejumlah
tujuan dengan kondisi awal tertentu, diantaranya : perencanaan keuangan,
komunikasi, militer, pengembangan politik, routing dan manajemen proyek.
• Monitoring
– Membandingkan tingkah laku suatu sistem yang teramati dengan tingkah laku
yang diharapkan darinya, diantaranya : Computer Aided Monitoring System
• Debugging dan repair
– Menentukan dan mengimplementasikan cara-cara untuk mengatasi malfungsi,
diantaranya memberikan resep obat terhadap suatu kegagalan.
• Instruksi
– Melakukan instruksi untuk diagnosis, debugging dan perbaikan kinerja.
RUANG LINGKUP
• Kontrol
– Mengatur tingkah laku suatu environment yang
kompleks seperti kontrol terhadap
interpretasiinterpretasi, prediksi, perbaikan, dan
monitoring kelakuan sistem
• Seleksi
– Mengidentifikasi pilihan terbaik dari sekumpulan (list)
kemungkinan.
• Simulasi
– Pemodelan interaksi antara komponen-komponen
sistem.
MANFAAT
• Memungkinkan orang awam bisa mengerjakan pekerjaan para ahli
• Bisa melakukan proses secara berulang secara otomatis
• Menyimpan pengetahuan dan keahlian para pakar
• Mampu mengambil dan melestarikan keahlian para pakar (terutama yang
termasuk keahlian langka)
• Tidak memerlukan biaya saat tidak digunakan, sedangkan pada pakar manusia
memerlukan biaya sehari-hari.
• Dapat digandakan (diperbanyak) sesuai kebutuhan dengan waktu yang minimal
dan sedikit biaya
• Dapat memecahkan masalah lebih cepat daripada kemampuan manusia dengan
catatan menggunakan data yang sama.
• Menghemat waktu dalam pengambilan keputusan.
• Meningkatkan kualitas dan produktivitas karena dapat memberi nasehat yang
konsisten dan mengurangi kesalahan.
KELEMAHAN
• Biaya yang diperlukan untuk membuat, memelihara, dan
mengembangkannya sangat mahal
• Sulit dikembangkan, hal ini erat kaitannya dengan ketersediaan pakar di
bidangnya dan kepakaran sangat sulit diekstrak dari manusia karena
sangat sulit bagi seorang pakar untuk menjelaskan langkah mereka dalam
menangani masalah.
• Sistem pakar tidak 100% benar karena seseorang yang terlibat dalam
pembuatan sistem pakar tidak selalu benar. Oleh karena itu perlu diuji
ulang secara teliti sebelum digunakan.
• Pendekatan oleh setiap pakar untuk suatu situasi atau problem bisa
berbeda-beda, meskipun sama-sama benar.
• Transfer pengetahuan dapat bersifat subjektif dan bias
• Kurangnya rasa percaya pengguna dapat menghalangi pemakaian sistem
pakar.
CIRI-CIRI SISTEM PAKAR
• Terbatas pada domain keahlian tertentu.
• Dapat memberikan penalaran untuk data-data yang tidak
lengkap atau tidak pasti.
• Dapat menjelaskan alasan-alasan dengan cara yang dapat
dipahami.
• Bekerja berdasarkan kaidah/rule tertentu.
• Mudah dimodifikasi.
• Basis pengetahuan dan mekanisme inferensi terpisah.
• Keluarannya bersifat anjuran.
• Sistem dapat mengaktifkan kaidah secara searah yang
sesuai dituntun oleh dialog dengan pengguna.
APA ITU KEPAKARAN/KEAHLIAN (EXPERTISE)?
Pemahaman yang luas dari tugas atau pengetahuan spesifik yang diperoleh
dari pelatihan, membaca dan pengalaman.
Jenis-jenis pengetahuan yang dimiliki dalam kepakaran :

• Teori-teori dari permasalahan
• Aturan dan prosedur yang mengacu pada area permasalahan
• Aturan (heuristik) yang harus dikerjakan pada situasi yang terjadi
• Strategi global untuk menyelesaikan berbagai jenis masalah
• Meta-knowledge (pengetahuan tentang pengetahuan)
• Fakta-fakta
APAKAH PAKAR (EXPERT)?
Pakar adalah seseorang yang mempunyai pengetahuan, pengalaman, dan
metode khusus, serta mampu menerapkannya untuk memecahkan masalah
atau memberi nasihat.
Seorang pakar harus mampu melakukan kegiatan-kegiatan berikut :

• Mengenali dan memformulasikan permasalahan
• Memecahkan permasalahan secara cepat dan tepat
• Menerangkan pemecahannya
• Belajar dari pengalaman
• Merestrukturisasi pengetahuan
• Memecahkan aturan-aturan
• Menentukan relevansi
PEMINDAHAN KEPAKARAN
(Transfering Expertise)
Tujuan dari sistem pakar adalah memindahkan kepakaran dari seorang
pakar ke dalam computer, kemudian ditransfer kepada orang lain yang
bukan pakar.
Proses ini melibatkan 4 kegiatan :

• Akuisisi pengetahuan (dari pakar atau sumber lain)
• Representasi pengetahuan (pada computer)
• Inferensi pengetahuan
• Pemindahan pengetahuan ke pengguna
KOMPONEN
• Antarmuka Pengguna (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 dari
sistem dan menyajikannya ke dalam bentuk yang
dapat dimengerti oleh pemakai.
KOMPONEN
• Basis Pengetahuan
– Basis pengetahuan mengandung pengetahuan
untuk pemahaman, formulasi, dan penyelesaian
masalah. Komponen sistem pakar ini disusun atas
2 elemen dasar, yaitu :
• fakta : informasi tentang obyek dalam area
permasalahan tertentu
• aturan : informasi tentang cara bagaimana memperoleh
fakta baru dari fakta yang telah diketahui.
KOMPONEN
• Mesin/Motor Inferensi (inference engine)
– Komponen ini mengandung mekanisme pola pikir
dan penalaran yang digunakan oleh pakar dalam
menyelesaikan suatu masalah. Mesin inferensi
adalah program komputer yang memberikan
metodologi untuk penalaran tentang informasi
yang ada dalam basis pengetahuan dan dalam
workplace, dan untuk memformulasikan
kesimpulan.
BASIS PENGETAHUAN
(KNOWLEDGE BASE)
• Basis pengetahuan berisi pengetahuan-
pengetahuan dalam penyelesaian masalah.
Ada 2 bentuk pendekatan basis pengetahuan :
– Penalaran berbasis aturan (rule-based reasoning)
– Penalaran berbasis kasus (case-based reasoning)
SISTEM BERBASIS PENGETAHUAN & SISTEM PAKAR
Sistem berbasis pengetahuan (SBP) :

• Sistem yang melakukan task dengan mengaplikasikan
pengetahuan dalam representasi simbolik
Sistem pakar :
• simulasi pakar : pengetahuan dan penalaran merupakan sistem
komputer yang meniru kemampuan
• pengambilan keputusan pakar pada domain tertentu
• SBP lebih umum dari sistem pakar

• Sumber pengetahuan sistem pakar : pakar manusia
• Domain sistem pakar : persoalan dunia nyata
SISTEM KONVENSIONAL vs SISTEM PAKAR
Sistem Konvensional Sistem Pakar

Informasi dan pemrosesannya Basis pengetahuan merupakan
biasanya jadi satu dengan program bagian terpisah dari mekanisme
inferensi.
Biasanya tidak bisa menjelaskan Penjelasan adalah bagian terpenting
mengapa suatu input data itu dari sistem pakar.
dibutuhkan, atau bagaimana output
itu diperoleh.
Pengubahan program cukup sulit & Pengubahan aturan dapat dilakukan
membosankan. dengan mudah.
Sistem hanya akan beroperasi jika Sistem dapat beroperasi hanya
sistem tersebut sudah lengkap. dengan beberapa aturan.
Eksekusi dilakukan langkah demi Eksekusi dilakukan pada keseluruhan
langkah. basis pengetahuan.
Menggunakan data. Menggunakan pengetahuan.
Tujuan utamanya adalah efisiensi. Tujuan utamanya adalah efektivitas.
KEUNTUNGAN PENERAPAN SISTEM PAKAR
• Membuat seorang yang awam bekerja seperti

layaknya seorang pakar
• Menghemat waktu kerja.
• Menyerdehanakan pekerjaan.
• Merupakan arsip terpercaya dari sebuah keahlian
• Memperluas jangkauan, dari keahlian seorang pakar.
• Meningkatkan kapabilitas sistem komputer.
• Memiliki kemampuan untuk bekerja dengan informasi
yang tidak lengkap dan mengandung ketidakpastian.
• Menghemat waktu dalam pengambilan keputusan.
KELEMAHAN SISTEM PAKAR
• Biaya yang diperlukan untuk membuat dan

memeliharanya sangat mahal.
• Sulit dikembangkan. Hal ini tentu saja erat kaitannya
dengan ketersediaan pakar di bidangnya.
• Sistem Pakar tidak 100% bernilai benar.
CARA KERJA SISTEM PAKAR
• Kepakaran ditransfer dari seorang pakar (sumber

pakar) ke komputer,
• Pengetahuan yang ada disimpan dalam komputer,
• Pengguna dapat berkonsultasi pada komputer itu
untuk suatu nasehat,
• Komputer dapat mengambil inferensi (menyimpulkan,
mendeduksi) layaknya seorang pakar
• Komputer memberikan penjelasan kepada pengguna.
KOMPONEN SISTEM PAKAR
• Working Memory : bagian dari sistem pakar yang berisi

fakta-fakta masalah yang ditemukan dalam suatu sesi
atau proses konsultasi
INDIVIDU YANG TERLIBAT DALAM SISTEM PAKAR
Expert
•Memiliki pengetahuan atau cara menyelesaikan masalah
Knowledge Engineer
•Mendapatkan pengetahuan dari pakar
•Memindahkan pengetahuan ke komputer
User
•Pemakai bukan pakar
•Orang awam
•Knowledge engineer
•Pakar
STRUKTUR SISTEM PAKAR
1. Lingkungan Pengembangan: digunakan oleh pembuat

sistem pakar untuk membangun komponen-
komponennya dan memperkenalkan pengetahuan ke
dalam knowledge base (basis pengetahuan).
2. Lingkungan Konsultasi: digunakan oleh pengguna

untuk berkonsultasi sehingga pengguna mendapatkan
pengetahuan dan nasihat dari Sistem Pakar layaknya
berkonsultasi dengan seorang pakar.
1. Akuisisi Pengetahuan
Subsistem ini digunakan untuk memasukkan pengetahuan seorang
pakar dengan cara merekayasa pengetahuan agar bias diproses
oleh computer dan menaruhnya ke dalam basis pengetahuan
dengan format tertentu (dalam bentuk representasi pengetahuan).
Sumber pengetahuan bias diperoleh dari pakar, buku, dokumen,
multimedia, basis data, laporan riset, informasi Web.
2. Basis Pengetahuan (Knowledge Base)

Basis pengetahuan mengandung pengetahuan yang diperlukan
untuk memahami, memformulasikan dan menyelesaikan masalah.
Basis pengetahuan terdiri dari dua elemen dasar yaitu:
a. Fakta, missal situas, kondisi, atau permasalahan yang ada
b. Rule (Aturan), untuk mengarahkan penggunaan pengetahuan
dalam memecahkan masalah.
3. Mesin Inferensi (Inference Engine)
Mesin inferensi adalah sebuah program yang berfungsi untuk memandu
proses penalaran terhadap suatu kondisi berdasarkan pada basis
pengetahuan yang ada, memanipulasi dan mengarahkan kaidah, model,
dan fakta yang disimpan dalam basis pengetahuan untuk mencapai solusi
atau kesimpulan. Dalam prosesnya, mesin inferensi menggunakan strategi
pengendalian yaitu strategi yang berfungsi sebagai panduan arah dalam
melakukan proses penalaran. Ada 3 teknik pengendalian: Forward
Chaining, Backward Chaining, dan gabungan.
4. Daerah Kerja (Blackboard)

Untuk merekam hasil sementara yang akan dijadikan sebagai keputusan
dan untuk menjelaskan sebuah masalah yang sedang terjadi, Sistem
Pakar membutuhkan Blackboard, yaitu area pada memori yang berfungsi
sebagai basis data. Ada 3 tipe keputusan yang dapat direkam pada
blackboard:
a. Rencana : bagaimana menghadapi masalah
b. Agenda : Aksi-aksi potensial yang sedang menunggu untuk
dieksekusi.
c. Solusi : calon aksi yang akan dibangkitkan
5. Antarmuka Pengguna (User Interface)
Digunakan sebagai media komunikasi antar pengguna dan sistem pakar.
Komunikasi paling bagus bila disajikan dalam Bahasa alami (natural
language)
6. Subsistem Penjelasan (Explanation Subsystem/Justifier)

Berfungsi memberi penjelasan kepada pengguna, bagaimana suatu
kesimpulan dapat diambil. Kemampuan seperti ini sangat penting bagi
pengguna untuk mengetahui proses pemindahan keahlian pakar maupun
dalam pemecahan masalah.
7. Sistem Perbaikan Pengetahuan (Knowledge Refining System)

Kemampuan memperbaiki pengetahuan dari pakar diperlukan untuk
memperbaiki pengetahuan, belajar dari kesalahan masa lampau, lalu
diperbaiki untuk menganalis pengetahuan.
8. Pengguna (User)
Pada umumnya pengguna sistem pakar bukanlah seorang pakar yang
membutuhkan solusi, saran atau pelatihan dari berbagai permasalahan.
RULE SEBAGAI TEKNIK REPRESENTASI PENGETAHUAN
• Penalaran berbasis aturan (rule-based reasoning)
– Pada penalaran berbasis aturan, pengetahuan direpresentasikan dengan
menggunakan aturan berbentuk IF disebut Evidence (Fakta) dan THEN disebut
Hipotesa (Kesimpulan)
• Syntax Rule adalah:

IF E THEN H
• Syntax Rule dapat juga dihubungkan dengan AND atau OR:

IF (E1 AND E2 AND E3 … AND En) THEN H
IF (E1 OR E2 OR E3 … OR En) THEN H
• Contoh : aturan identifikasi hewan

– Rule 1 : IF hewan berambut dan menyusui THEN hewan mamalia
– Rule 2 : IF hewan mempunyai sayap dan bertelur THEN hewan jenis burung
– Rule 3 : IF hewan mamalia dan memakan daging THEN hewan karnivora
– Dst...
BASIS PENGETAHUAN
(KNOWLEDGE BASE)
• Penalaran berbasis kasus (case-based reasoning)
– Pada penalaran berbasis kasus, basis pengetahuan akan
berisi solusi-solusi yang telah dicapai sebelumnya,
kemudian akan diturunkan suatu solusi untuk keadaan
yang terjadi sekarang (fakta yang ada). Bentuk ini
digunakan apabila user menginginkan untuk tahu lebih
banyak lagi pada kasus-kasus yang hampir sama (mirip).
Selain itu bentuk ini juga digunakan bila kita telah memiliki
sejumlah situasi atau kasus tertentu dalam basis
pengetahuan.
MESIN INFERENSI
(INFERENCE ENGINE)
• Ada 2 cara penalaran yang dapat dikerjakan dalam melakukan
inferensi :
a. Forward Chaining
• Pencocokan fakta atau pernyataan dimulai dari bagian sebelah
kiri dulu (IF dulu). Dengan kata lain penalaran dimulai dari
fakta terlebih dahulu untuk menguji kebenaran hipotesis.
b. Backward Chaining
• Pencocokan fakta atau pernyataan dimulai dari bagian sebelah
kanan (THEN dulu). Dengan kata lain penalaran dimulai dari
hipotesis terlebih dahulu, dan untuk menguji kebenaran
hipotesistersebut harus dicari fakta-fakta yang ada dalam
basis pengetahuan.
TEKNIK INFERENSI FORWARD CHAINING
• Forward Chaining: Teknik pencarian yang dimulai dengan fakta yang diketahui,
kemudian mencocokkan fakta-fakta tersebut dengan bagian IF dari rules IF-THEN.
Bila ada fakta yang cocok dengan bagian IF, maka rule tersebut dieksekusi. Bila
sebuah rule dieksekusi, maka sebuah fakta baru (THEN) ditambahkan ke dalam
database. Setiap kali pencocokan dimulai dari rule teratas. Setiap rule hanya boleh
dieksekui sekali saja. Proses pencocokan berhenti bila tidak ada lagi rule yang bias
diseksekusi. Metode pencarian yang digunakan: DFS, BFS, dan Best First Search.
• Misal diketahui sistem pakar menggunakan 5 buah rule:

R1 : IF (Y AND D) THEN Z
R2 : IF (X AND B AND E) THEN Y
R3 : IF A THEN X
R4 : IF C THEN L
R5 : IF (L AND M) THEN N
Fakta-fakta: A, B, C, D dan E bernilai benar
Goal: menentukan apakah Z bernilai benar atau salah.

LATIHAN FORWARD CHAINING
Misal diketahui sistem pakar menggunakan 10 buah rule:
1. IF (Bukan hari Minggu) AND (Toyes sehat) THEN (Toyes kuliah)

2. IF (Toyes kuliah) THEN (Sylvi kuliah)
3. IF (Bukan hari Minggu) AND (Toyes sakit) THEN (Toyes di rumah sakit)
4. IF (Bukan hari Minggu) THEN (Mahasiswa POLINES kuliah)
5. IF (Toyes di rumah sakit) AND (Mahasiswa POLINES kuliah) THEN (Sylvi kuliah)
6. IF (Mahasiswa POLINES kuliah) AND (Toyes sakit) THEN (Sylvi tidak kuliah)
7. IF (Toyes kuliah) AND (Sylvi tidak kuliah) THEN (Sylvi sakit)
8. IF (Bukan hari Minggu) AND (Sylvi sakit) THEN (Kuliah tidak libur)
9. IF (Mahasiswa POLINES kuliah) THEN (Kuliah tidak libur)
10. IF (Kuliah tidak libur) THEN (Toyes belajar di kampus POLINES)
Semula diberikan fakta:

Hari Senin (bukan hari Minggu)
Toyes Kuliah
Ini berarti kedua fakta itu tersimpan di dalam memori kerja. Ingin dibuktikan apakah
fakta “Toyes belajar di kampus POLINES” dan “Sylvi tidak kuliah” bernilai benar.
Iterasi ke-1
Fakta “Toyes Kuliah”, memicu rule ke-2
IF (Toyes kuliah) THEN (Sylvi kuliah)
sehingga memori kerja berubah menjadi:
Fakta:
Hari senin (bukan hari minggu)
Toyes Kuliah
Fakta Baru:
Sylvi kuliah
Fakta “Hari senin” memicu rule ke-4
IF (Bukan hari minggu) THEN (Mahasiswa POLINES kuliah)
Fakta:
Toyes Kuliah)
Fakta Baru:
Sylvi kuliah
Mahasiswa POLINES kuliah
Rule ke-
1. IF (Bukan hari minggu) AND (Toyes sehat) THEN (Toyes kuliah)
3. IF (Bukan hari minggu) AND (Toyes sakit) THEN (Toyes di rumah sakit)
4. IF (Bukan hari minggu) THEN (Mahasiswa POLINES kuliah)
Iterasi ke-2
Fakta baru “Mahasiswa POLINES kuliah”, memicu rule ke-9
IF (Mahasiswa POLINES kuliah) THEN (Kuliah tidak libur)
Fakta:
Toyes Kuliah
Fakta Baru:
Sylvi kuliah
kuliah tidak libur
Rule ke-
Iterasi ke-3
Fakta baru “Kuliah tidak libur”, memicu rule ke-10
IF (Kuliah tidak libur) THEN (Toyes belajar di kampus POLINES)
Fakta:
Toyes Kuliah
Fakta Baru:
Sylvi kuliah
Kuliah tidak libur
Toyes belajar di kampus POLINES
Rule ke-
Sampai di sini, fakta-fakta yang ada pada memori kerja sudah tidak bisa digunakan
untuk memicu rule-rule lagi sehingga proses dihentikan dan diperoleh kesimpulan-
kesimpulan berupa fakta-fakta yang bernilai benar yang terdapat dalam memori kerja.
Oleh karena fakta “Toyes belajar di kampus POLINES” terdapat dalam memori kerja,
maka terbukti bahwa fakta tersebut bernilai benar. Sedangkan fakta “Sylvi tidak
kuliah” bernilai salah.
Contoh Suku Bunga
• Contoh :
• R1 : IF suku bunga turun THEN harga obligasi naik
• R2 : IF suku bunga naik THEN harga obligasi turun
• R3 : IF suku bunga tidak berubah THEN harga obligasi tidak
berubah
• R4 : IF dolar naik THEN suku bunga turun
• R5 : IF dolar turun THEN suku bunga naik
• R6 : IF harga obligasi turun THEN beli obligasi
• Apabila diketahui bahwa dolar turun, maka untuk
memutuskan apakah akan membeli obligasi atau tidak dapat
ditunjukkan sebagai berikut :
Contoh Suku Bunga
Forward Chaining
• Dari fakta dolar turun, berdasarkan Rule 5, diperoleh konklusi suku
bunga naik.
• Dari Rule 2 suku bunga naik menyebabkan harga obligasi turun.
• Dengan Rule 6, jika harga obligasi turun, maka kesimpulan yang
diambil adalah membeli obligasi.
dolar turun
R5
suku bunga naik
R2
harga obligasi turun
R6
beli obligasi
Contoh Suku Bunga
Backward Chaining
• Dari solusi yaitu membeli obligasi, dengan menggunakan Rule 6
diperoleh anteseden harga obligasi turun.
• Dari Rule 2 dibuktikan harga obligasi turun bernilai benar jika suku
bunga naik bernilai benar .
• Dari Rule 5 suku bunga naik bernilai memang bernilai benar karena
diketahui fakta dolar turun.
dolar turun
R5
suku bunga naik
R2
harga obligasi turun
R6
beli obligasi
Contoh Gejala Sakit (Forward)
Misalkan diketahui sistem pakar menggunakan 5 buah Rule
berikut :
R1 : IF (Batuk AND Pilek) THEN Flu

R2 : IF ( Mual AND Panas AND Pusing) THEN Masuk Angin
R3 : IF Muntah THEN Mual
R4 : IF Keringat Dingin THEN Demam
R5 : IF (Demam AND Batuk) THEN Radang
Fakta-fakta Gejala :
Muntah, Panas, Keringat Dingin, Pilek, dan Pusing
Goal : sakit apa ini ?
Iterasi 1
• R1 belum dpt dipakai krn tdk ada fakta batuk
• R2 belum dpt dipakai krn tdk ada fakta mual
• R3 didapat fakta baru : mual
• R4 didapat fakta baru : demam
Iterasi 2
• R2 didapat fakta baru : Masuk Angin
• R3 didapat fakta baru : mual
• R4 didapat fakta baru : demam
Kesimpulan :
Pasien mengalami penyakit Mual, Demam dan
Masuk Angin.
Saran :
Segera ke Poliklinik Polines.
TEKNIK INFERENSI BACKWARD CHAINING
• Backward Chaining: metode inferensi yang bekerja mundur ke arah kondisi awal.
Proses diawali dari Goal (yang berada di bagian THEN dari rule IF-THEN), kemudian
pencarian mulai dijalankan untuk mencocokkan apakah fakta-fakta yang ada cocok
dengan premis-premis di bagian IF. Jika cocok, rule dieksekusi, kemudian hipotesis
di bagian THEN ditempatkan di basis data sebagai fakta baru. Jika tidak cocok,
simpan premis di bagian IF ke dalam stack sebagai subGoal. Proses berakhir jika
Goal ditemukan atau tidak ada rule yang bisa membuktikan kebenaran dari
subGoal atau Goal
• Misal diketahui sistem pakar menggunakan 5 buah rule:

R1 : IF (Y AND D) THEN Z
R2 : IF (X AND B AND E) THEN Y
R3 : IF A THEN X
R4 : IF C THEN L
R5 : IF (L AND M) THEN N
Fakta-fakta: A, B, C, D dan E bernilai benar
Goal: menentukan apakah Z bernilai benar atau salah.

TEKNIK
INFERENSI
BACKWARD
CHAINING
TEKNIK
INFERENSI
BACKWARD
CHAINING
TEKNIK
INFERENSI
BACKWARD
CHAINING
LATIHAN BACKWARD CHAINING
Misal diketahui sistem pakar menggunakan 10 buah rule:
1. IF (Bukan hari Minggu) AND (Toyes sehat) THEN (Toyes kuliah)

3. IF (Bukan hari Minggu) AND (Toyes sakit) THEN (Toyes di rumah sakit)
4. IF (Bukan hari Minggu) THEN (Mahasiswa POLINES kuliah)
Semula diberikan fakta:

Hari Senin (bukan hari Minggu)
Toyes Kuliah
Ini berarti kedua fakta itu tersimpan di dalam memori kerja. Ingin dibuktikan apakah
fakta “Toyes belajar di kampus POLINES” bernilai benar.
Iterasi ke-1
Goal:
“Toyes belajar di kampus POLINES”
Basis data:
Toyes Kuliah
Stack:
Sistem pakar berusaha menelusuri rule-rule dari bagian THEN, yang dimulai dari rule
ke-1 sampai dengan rule ke-10 untuk menemukan fakta baru “Hari senin” atau “Toyes
Kuliah”
Dari rule-rule tersebut, bagian THEN yang sama dengan hipotesis “Toyes belajar di
kampus POLINES” adalah rule ke-10, yaitu:
Sehingga memudahkan hipotesis baru di bagian IF:

“Kuliah tidak libur”
Fakta ini tidak ada di dalam basis data, simpan ke dalam stack sebagai subGoal.
Iterasi ke-2
SubGoal:
Basis data:
Toyes Kuliah
Stack:
Dari rule-rule tersebut, bagian THEN yang sama dengan hipotesis “Kuliah tidak libur”
adalah rule ke-9, yaitu:
IF (Mahasiswa POLINES kuliah) THEN (Kuliah tidak libur)
Sehingga ditemukan hipotesis baru di bagian IF:

“Mahasiswa POLINES kuliah”
Fakta ini tidak ada di dalam basis data, simpan ke dalam stack sebagai subGoal.
Iterasi ke-3
SubGoal:
Basis data:
Toyes Kuliah
Stack:
Dari rule-rule tersebut, bagian THEN yang sama dengan hipotesis “Kuliah tidak libur”
adalah rule ke-4, yaitu:
IF (Bukan hari minggu) THEN (Mahasiswa POLINES kuliah)

“Bukan hari minggu”
Fakta ini ada di dalam basis data, sehingga fakta “Mahasiswa POLINES kuliah” dihapus
dari stack dan dimasukkan ke dalam basis data sebagai fakta baru.
Iterasi ke-4
Basis data:
Toyes Kuliah
Fakta baru:
Stack:
Dari rule-rule tersebut, bagian THEN yang sama dengan hipotesis “Toyes belajar di
kampus POLINES” adalah rule ke-10, yaitu:

Fakta ini ada di dalam basis data, sehingga fakta “Toyes belajar di kampus POLINES”
dihapus dari stack dan dimasukkan ke dalam basis data sebagai fakta baru.
Iterasi ke-5
Basis data:
Toyes Kuliah
Fakta baru:
Stack: kosong
Karena isi stack kosong, maka proses pencarian dihentikan. Tampak bahwa fakta
“Toyes belajar di kampus POLINES” ada di dalam basis data sebagai fakta baru.
Jadi terbukti bahwa “Toyes belajar di kampus POLINES” bernilai benar.

LATIHAN
Sistem pakar klasifikasi buah mempunyai 11 rule sebagai berikut :
R1 : IF (Shape = long) AND (color = green or yellow) THEN fruit = banana
R2 : IF (Shape = round or oblong) AND (Diameter > 4 inches) THEN Fruitclass = vine
R3 : IF (Shape = round or oblong) and (Diameter < 4 inches) THEN Fruitclass = tree
R4 : IF (Seedcount = 1 ) THEN Seedclass = stonefruit
R5 : IF (Seedcount >1 ) THEN Seedclass = multiple
R6 : IF (Fruitclass = vine) AND (Color = green) THEN Fruit = watermelon
R7 : IF (Fruitclass = vine) AND (Surface = rough) AND (Color = tan) THEN Fruit = honeydew
R8 : IF (Fruitclass = vine) AND (Surface = smooth) AND (Color =yellow) THEN Fruit = Cantaloupe
R9 : IF (Fruitclass = tree) AND (Color = orange) AND (Seedclass = stonefruit) THEN Fruit = apricot
R10: IF (Fruitclass = tree) AND (Color = orange) AND (Seedclass = multiple) THEN Fruit = orange
R11 : IF (Fruitclass = tree) AND (Color = red OR yellow OR green) AND (Seedclass = multiple)
THEN Fruit = apple
Jika diketahui fakta sebagai berikut :

Diameter = 3 inch
Shape = round
SeedCount > 1
Color = yellow
Surface = smooth
Pertanyaan :
a. Dengan ForwardChaining, buktikan apakah fruit = Orange
b. Dengan BackwardChaining, tentukan buah apakah ini ! jika diketahui fakta sebagai berikut :
Diameter = 5 inch
Shape = round
SeedCount > 1
Color = yellow
Surface = smooth

Chapter 4 Sistem Pakar - 2

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Chapter 4 Sistem Pakar - 2

Diunggah oleh

Hak Cipta:

Format Tersedia

SISTEM PAKAR

Kepakaran inilah yang memungkinkan para ahli untuk

• Jackson (1999, p3)

• Luger dan Stubblefield (1993, p308)

Jenis-jenis pengetahuan yang dimiliki dalam kepakaran :

Seorang pakar harus mampu melakukan kegiatan-kegiatan berikut :

Proses ini melibatkan 4 kegiatan :

Sistem berbasis pengetahuan (SBP) :

• SBP lebih umum dari sistem pakar

Sistem Konvensional Sistem Pakar

• Membuat seorang yang awam bekerja seperti

• Biaya yang diperlukan untuk membuat dan

• Kepakaran ditransfer dari seorang pakar (sumber

• Working Memory : bagian dari sistem pakar yang berisi

1. Lingkungan Pengembangan: digunakan oleh pembuat

2. Lingkungan Konsultasi: digunakan oleh pengguna

2. Basis Pengetahuan (Knowledge Base)

4. Daerah Kerja (Blackboard)

6. Subsistem Penjelasan (Explanation Subsystem/Justifier)

7. Sistem Perbaikan Pengetahuan (Knowledge Refining System)

• Syntax Rule adalah:

• Syntax Rule dapat juga dihubungkan dengan AND atau OR:

• Contoh : aturan identifikasi hewan

• Misal diketahui sistem pakar menggunakan 5 buah rule:

Fakta-fakta: A, B, C, D dan E bernilai benar

Goal: menentukan apakah Z bernilai benar atau salah.

1. IF (Bukan hari Minggu) AND (Toyes sehat) THEN (Toyes kuliah)

Semula diberikan fakta:

sehingga memori kerja berubah menjadi:

sehingga memori kerja berubah menjadi:

sehingga memori kerja berubah menjadi:

sehingga memori kerja berubah menjadi:

suku bunga naik

harga obligasi turun

suku bunga naik

harga obligasi turun

R1 : IF (Batuk AND Pilek) THEN Flu

• Misal diketahui sistem pakar menggunakan 5 buah rule:

Fakta-fakta: A, B, C, D dan E bernilai benar

Goal: menentukan apakah Z bernilai benar atau salah.

1. IF (Bukan hari Minggu) AND (Toyes sehat) THEN (Toyes kuliah)

Semula diberikan fakta:

Sehingga memudahkan hipotesis baru di bagian IF:

Sehingga ditemukan hipotesis baru di bagian IF:

Sehingga ditemukan hipotesis baru di bagian IF:

Sehingga ditemukan hipotesis baru di bagian IF:

Jadi terbukti bahwa “Toyes belajar di kampus POLINES” bernilai benar.

Jika diketahui fakta sebagai berikut :

Anda mungkin juga menyukai