1.

sistem pakar adalah suatu program komputer atau sistem informasi yang mengandung
beberapa pengetahuan dari satu atau lebih pakar manusia terkait suatu bidang yang
cenderung spesifik.Pakar yang dimaksudkan merupakan seseorang yang memiliki
keahlian khusus di bidangnya masing – masing, contohnya dokter, psikolog, mekanik,
dan lain sebagainya

2. Ciri-ciri Sistem Pakar Ciri-ciri sistem pakar adalah sebagai berikut (Sutojo, dkk.,
2011:162) : 1. Terbatas pada domain keahlian tertentu. 2. Mampu memberikan
penalaran untuk data-data yang tidak lengkap atau tidak pasti. 3. Mampu menjelaskan
alasan-alasan yang diberikannya dengan cara yang dapat dipahami. 4. Bekerja
berdasarkan kaidah atau rule tertentu. 5. Mudah dimodifikasi. 6. Basis pengetahuan dan
mekanisme inferensi terpisah. 7. Keluaran atau output bersifat anjuran. 8. Sistem dapat
mengaktifkan kaidah secara searah sesuai, dituntun oleh dialog dengan pengguna.

3. Alasan Pengembangan Sistem Pakar, sistem pakar sendiri dikembangkan lebih lanjut
dengan alasan :
• Dapat menyediakan kepakaran setiap waktu dan di berbagai lokasi.
• Secara otomatis mengerjakan tugas-tugas rutin yang membutuhkan seorang pakar.
• Seorang pakar akan pensiun atau pergi.
• Seorang pakar adalah mahal.
• Kepakaran dibutuhkan juga pada lingkungan yang tidak bersahabat.

4. Komponen Sistem Pakar

Di dalam sistem pakar, terdapat dua bagian pokok yaitu lingkungan pengembangan
atau development environment dan lingkungan konsultasi atau consultation
environment. Oleh sebab itu, sistem pakar memiliki beberapa komponen yang terdapat
di dalam struktrur sistem pakar yaitu sebagai berikut.

1. Basis Pengetahuan

Sistem pakar memiliki basis pengetahuan yang mana di dalamnya mengandung pengetahuan
untuk pemahaman, formulasi, dan juga skema penyelesaian masalah. Basis pengetahuan ini
tersusun atas fakta yang berupa informasi, tentang objek dan kaidah atau rule yang menjadi
informasi tentang bagaimana membangkitkan berbagai fakta.
2. Basis Data

Selain itu, sistem pakar juga memiliki komponen yaitu  basis data yang mana mengandung
berbagai fakta, baik fakta awal pada saat sistem mulai beroperasi maupun fakta yang
didapatkan pada saat pengambilan kesimpulan yang sedang dilaksanakan.
Sehingga dalam praktiknya, basis data ini berada di dalam memori komputer untuk
menyimpan data hasil observasi dan data lainnya yang kemudian diolah dan memerlukan
alat yaitu komputer atau alat lainnya.
3. Mesin Inferensi

Komponen selanjutnya di dalam sistem pakar adalah mesin inferensi atau inference

engine yang mana mengandung mekanisme pola pikir dan penalaran yang digunakan oleh
pakar di dalam menyelesaikan suatu masalah yang terjadi. 
Mesin inferensi merupakan program komputer yang memberikan metodologi untuk
penalaran tentang informasi yang ada di dalam basis pengetahuan dan juga di
dalam workplace dan untuk memformulasikan kesimpulan.
4. Antarmuka Pemakai (User Interface)

Metode sistem pakar yang selanjutnya merupakan metode antarmuka pemakai atau user
interface yang mana merupakan mekanisme yang digunakan oleh pengguna dan sistem pakar
untuk saling berkomunikasi. Antarmuka menerima informasi dari pemakai dan kemudian
mengubah ke dalam bentuk yang dapat diterima oleh sistem.
Selain itu, antarmuka juga menerima dari berbagai sistem yang menyajikan mengenai bentuk
yang kemudian dapat dimengerti oleh pengguna atau pemakai.
5. Akuisisi Pengetahuan (Knowledge Acquisition)

Komponen akuisisi pengetahuan merupakan akumulasi, transfer, dan transformasi kehamilan

dalam menyelesaikan masalah dari sumber pengetahuan ke dalam program komputer.
Dalam tahap ini, akuisisi pengetahuan menyerap berbagai pengetahuan untuk selanjutnya
dapat ditransfer ke basis pengetahuan.
Pengetahuan yang diperoleh dari pakar ini sudah dilengkapi dengan fasilitas yaitu buku, basis
data laporan penelitian, dan juga pengalaman pemakai.
6. Workplace/Blackboard

Komponen lainnya adalah workplace yang mana berisi sekumpulan memori kerja

atau working memory yang digunakan untuk merekam kejadian yang sedang berlangsung, di
mana di dalamnya termasuk keputusan sementara.

Metode Sistem Pakar

Di dalam sistem pakar ini, memuat berbagai metode-metode yang biasanya digunakan yaitu
sebagai berikut.
1. Depth First Search

Metode depth first search atau DFS ini merupakan sebuah algoritma yang digunakan untuk
melakukan penelusuran melalui tree atau graf yang berpatokan pada kedalaman suatu data.
2. Breadth First Search

Breadth First Search adalah sebuah algoritma yang dapat melakukan pencairan data secara
meluas di dalam suatu sistem pakar. Metode ini biasanya menerapkan proses antrean data
atau queue yang mana berfungsi untuk menyimpan data yang sudah dianalisis sebelumnya.
Selain itu, metode breadth first search ini juga membutuhkan table boolean yang berguna
untuk menyimpan informasi simpul yang didapat, sehingga tidak ada informasi yang
dikunjungi lebih dari satu kali.
3. Best First Search

Metode ini merupakan hasil kombinasi dari depth first search dan juga breadth first
search yang mana dirancang untuk menampilkan tampilan output dari analisis variabel yang
telah diproses sebelumnya.
4. AHP (Analytical Hierarchy Process)

Metode yang satu ini digunakan untuk pengambilan keputusan dengan melakukan
perbandingan antara pasangan dan kriteria yang ada di dalam suatu variabel. Teknik analisis
pada metode ini adalah menganalisis berbagai variabel yang ada dan kemudian membentuk
variabel tersebut menjadi hierarki berdasarkan sebuah urutan.
Kemudian dilanjutkan dengan membandingkan dan ditarik sebuah kesimpulan berdasarkan
dari matrik yang ada agar dapat menentukan nilai pada setiap kriteria maupun variabel yang
digunakan.
5. Backward Chaining

Metode backward chaining ini melakukan pelacakan sistem keputusan yang diawali dari

menarik kesimpulan pada sebuah titik penalaran dan kemudian dilanjutkan dengan
penyusunan hipotesis yang sudah didapatkan sehingga fakta yang ada dapat memberikan
nilai atau penguatan pada kesimpulan yang sudah berhasil ditemukan.
6. Forward Chaining

Metode ini merupakan teknik penalaran dari sistem pakar, yang mana forward chaining ini
diawali dulu dari proses pencarian fakta dan kemudian fakta yang ditemukan akan digunakan
untuk menguji nilai kebenaran dari suatu hipotesis yang ada.

Contoh Sistem Pakar dan Aplikasinya

Setelah memahami pengertian umum mengenai sistem pakar dan berbagai teorinya, di
bawah ini merupakan beberapa contoh sistem pakar dan aplikasi serta pengembangannya.
1. Sophie: merupakan analisis sirkit elektronik.
2. Folio: membantu memberikan keputusan bagi seorang manajer di dalam hal stok
broker dan investasi.
3. Prospector: biasanya digunakan di dalam geologi untuk membantu mencari dan
menemukan deposit. Sistem pakar ini didesain oleh Sheffield Research Institute pada
akhir 70-an.
4. Dendral: mengidentifikasi struktur organik yang tidak dikenal melalui analisis
spektrum massa dan ilmu kimia.
5. Dipmeter Advisor: digunakan oleh Schlumberger untuk menganalisis data di dalam
pengeboran minyak.
6. Mycin: mengidentifikasi bakteri yang menyebabkan infeksi dan merekomendasikan
antibiotik dengan dosis yang sesuai dengan berat tubuh pasien. Sistem ini dirancang
oleh Edward Feigenbaum dari Universitas Stanford pada tahun 70-an.
7. Delta: pemeliharaan lokomotif listrik diesel. Sistem ini didesain dan dikembangkan
oleh General Electric Company.
8. ACE: SP troubleshooting pada sistem kabel telepon yang didesain dan dikembangkan
oleh AT&T Bell Lab pada awal tahun 80-an.
9. XCON & XSEL: sistem pakar yang fungsinya membantu konfigurasi sistem komputer
besar. Sistem ini dikembangkan oleh Digital Equipment Corporation (DEC) dan
Carnegie Mellon University (CMU).
10. YESMVS: membantu operator komputer dan mengontrol sistem operasi MVS
(multiple virtual storage) yang didesain oleh IBM pada awal 80-an.

5. Unsur Penting Pengembangan Sistem Pakar Ada tiga unsur penting dalam
pengembangan Sistem Pakar, yaitu : Pakar Sistem Pemakai
14
2.1.3.2 Representasi Pengetahuan
Representasi pengetahuan adalah suatu teknik untuk
merepresentasikan basis pengetahuan yang diperoleh ke dalam
suatu skema atau diagram tertentu sehingga dapat diketahui relasi
atau hubungan antara suatu data dengan data yang lain. Menurut
Turban dan Frenzel (1992, pp170-187)
terdapat beberapa cara
untuk merepresentasikan pengetahuan, yaitu :
1.   Logika (Logic)
Dua   bentuk   komputasi   logika   adalah   logika   proposisi
(propotional logic) dan logika predikat (predicate logic).
Input
Premis
atau
fakta
Proses
Logika
Output
Inferensi
atau
Konklusi
Gambar 2.2 Proses Logika
a.   Logika Proposisi
Logika proposisi adalah sebuah pernyataan yang bisa
bernilai benar atau salah yang dapat menjadi premis
yang dapat digunakan untuk menurunkan proposisi
baru. Aturan digunakan untuk menentukan kebenaran
(true) atau kesalahan (false) pada proposisi baru. Pada
logika proposisi digunakan simbol seperti huruf alfabet

15
untuk menampilkan berbagai proposisi, premis, atau
kesimpulan. Contoh:
Pernyataan
A
:
Hasan pergi kuliah
setiap hari Selasa
dan Sabtu
Pernyataan B  : Hari ini adalah hari Senin
Kesimpulan
: Hasan tidak pergi kuliah pada hari ini.
b.   Logika Predikat
Logika predikat merupakan bentuk logika yang lebih
kompleks dimana konsep dan aturan yang digunakan
sama
dengan
logika
proposisi. Logika predikat
digunakan untuk merepresentasikan hal-hal yang tidak
dapat
direpresentasikan dengan
menggunakan
logika
preposisi. Pada logika predikat kita dapat
merepresentasikan  fakta-fakta  sebagai  suatu
pernyataan yang disebut dengan wff (well-formed
formula). Contoh
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
Fakta tersebut dapat ditulis           : Laki2 (x)

16
2.   Jaringan Semantik (Semantic Network)
Jaringan semantik
merupakan gambaran
grafis dari
pengetahuan yang terdiri dari simpul (node) dan hubungan
antar   node   (link)   yang   menunjukkan   hubungan   antar
berbagai obyek. Obyek disini dapat berupa benda atau
peristiwa.
Gambar
2.3
menjelaskan tentang jaringan
semantik.
Gambar 2.3 Jaringan Semantik
3.   Naskah (Script)
Script merupakan representasi pengetahuan yang sama
dengan frame,
yaitu
merepresentasikan
pengetahuan
berdasarkan karakteristik yang sudah dikenal sebagai
pengalaman
-
pengalaman.
Perbedaannya,
frame

17
menggambarkan obyek sedangkan script menggambarkan
urutan
peristiwa.
Dalam menggambarkan
urutan
peristiwa,
script
menggunakan
slot
yang  berisi
informasi  tentang
orang,  obyek,  dan  tindakan-tindakan  yang  terjadi  dalam
suatu peristiwa. Elemen-elemen script meliputi :
1.
Kondisi masukan (Entry condition), yaitu kondisi yang
harus dipenuhi sebelum terjadi atau berlaku suatu
peristiwa dalam script.
2.   Jalur
(Track), yaitu variasi yang
mungkin terjadi dalam
suatu script.
3.   Pendukung (Prop)berisi obyek – obyek pendukung yang
dugunakan selama peristiwa terjadi.
4.   Peran (Role), yaitu peran yang dimainkan oleh seseorang
dalam peristiwa.
5.
Adegan (Scene), yaitu adegan yang dimainkan yang
menjadi bagian dari suatu peristiwa.
6.
Hasil,
yaitu
kondisi
yang
ada
setelah urutan peristiwa
dalam scrip terjadi.
Berikut
ini  adalah  contoh  script kejadian
yang  ada  di
“rumah makan siap saji” :
Jalur   :  rumah makan siap saji.
Peran
:  pelanggan, penyaji.
Pendukung
:
counter, baki, makanan,
uang, serbet, garam,
merica, sedotan.

18
Kondisi Masukan
:
pelanggan yang
lapar, pelanggan yang
memiliki uang.
Adegan 1 : Pelanggan memasuki rumah makan.
1.   Pelanggan memarkir mobil.
2.   Pelanggan memasuki rumah makan.
3.   Pelanggan antri di depan counter.
4.   Pelanggan
membaca
menu dan
membuat keputusan apa
yang akan dipesan.
Adegan 2 : Pemesanan.
1.   Pelanggan melakukan pemesanan.
2.   Penyaji meletakkan pesanannya di atas baki.
3.   Pelanggan membayar.
Adegan 3 : Pelanggan makan.
1.   Pelanggan
mengambil serbet, sedotan,
garam, dan
lain-
lain.
2.   Pelanggan membawa baki ke meja yang kosong.
3.   Pelanggan mulai makan.
Adegan 3A : Makanan dibawa pulang.
Pelanggan
mengambil
makanan,
kemudian
meninggalkan rumah makan.

19
Adegan 4 : Pelanggan meninggalkan rumah makan.
1.   Pelanggan membersihkan meja.
2.   Pelanggan membuang sampah.
3.   Pelanggan meninggalkan rumah makan.
4.   Pelanggan pulang dengan mengendarai mobilnya.
Hasil:
1.   Pelanggan tidak lagi lapar.
2.   Uang pelanggan berkurang.
3.   Pelangan merasa bahagia.
4.   Pelanggan merasa tidak bahagia.
5.   Pelanggan terlalu kenyang.
6.   Pelanggan merasa tidak nyaman pada bagian perutnya.
4.   Daftar (List)
List adalah daftar tertulis dari hal –
hal (items) yang saling
berhubungan. Bisa berupa daftar orang yang anda kenal,
barang-barang
yang
harus dibeli dipasar swalayan,
hal-hal
yang  harus  dilakukan  minggu  ini,  atau  produk-  produk
dalam suatu
katalog.
Gambar
2.4
adalah
representasi
pengetahuan dengan list.
20
Gambar 2.4 List
5.   Tabel Keputusan.
Tabel
keputusan
adalah
pengetahuan yang diatur dalam
bentuk
format
lembar
kerja
(spreedsheet), menggunakan
kolom dan
garis.
Representasi
pengetahuan
dengan
tabel
keputusan dapat dilihat pada tabel 2.1.
Tabel 2.1 Tabel Keputusan

21
6.   Pohon Keputusan
Pohon keputusan merupakan struktur penggambaran pohon
yang berhubungan dengan tabel keputusan. Representasi
pengetahuan dengan
Pohon
keputusan
dapat
dilihat
pada
gambar 2.5.
Gambar 2.5 Pohon Keputusan
7.   Objects, Attribute, dan Values
Salah satu cara yang paling umum untuk merepresentasikan
pengetahuan
adalah
menggunakan objects,
attribute,
dan
values (O-A-V
triplet).
Objects
dapat
berupa
fisik
atau
konseptual. Attribute adalah karakteristik dari object. Values
adalah
ukuran spesifik
dari
attribute
dalam situasi
tertentu.
Representasi pengetahuan dengan O –
A–
V triplet dapat
dilihat pada tabel 2.2.
22
Tabel 2.2 O – A – V Triplet
Objects
Atrributes
Values
Rumah
Kamar tidur
2, 3, 4
Rumah
Warna
Hijau,
putih,
coklat
Penerimaan
di
universitas
Rata-rat  nilai  ujian
masuk
3.0, 3.5, 3.7
Kontrol inventori
Level dari inventori
15, 20, 30
Kamar tidur
Ukuran
9  x  10,  10  x
12
8.   Bingkai (Frame)
Bingkai
(Frame)
adalah
struktur
data yang berisi semua
pengetahuan tentang obyek tertentu. Pengetahuan ini diatur
dalam suatu
struktur
hirarki
khusus
yang
memperbolehkan
diagnosa
terhadap
independensi
pengetahuan.
Bingkai
(Frame) pada dasarnya adalah aplikasi dari pemograman
berorientasi  obyek
untuk  kecerdasan  buatan  dan  sistem
pakar. Representasi pengetahuan menggunakan frame dapat
dilihat pada gambar 2.6.
23
Gambar 2.6 Bingkai (Frame)
9.   Kaidah Produksi (Production Rules)
Ide dasar dari sitem ini adalah pengetahuan yang
digambarkan
sebagai
kaidah
produksi
dalam  bentuk
pasangan kondisi –
aksi. Contoh representasi pengetahuan
dengan kaidah produksi adalah:
Aturan 1 :
IF
pemerintah  tidak  konsisten,  THEN
dolar
naik.
Aturan 2 :
IF inflasi naik, THEN harga barang mahal.

Metode Inferensi
Menurut Giarratano dan Riley (1998, p.143) metode
inferensi
untuk memecahkan suatu persoalan dalam sistem pakar
dapat dilakukan dengan merangkai rantai produksi (Chaining).
Jenis rantai produksi (Chaining) tersebut adalah :
1.   Forward Chaining
Pemecahan masalah dari fakta –
fakta kepada sebuah
kesimpulan berdasarkan fakta –
fakta yang ada. Dengan kata
lain,  pelacakan  dimulai  dari  keadaan  awal  (informasi  atau
fakta yang ada) dan kemudian dicoba
untuk
mencocokan
dengan tujuan yang diharapkan.
Gambar 2.7 Forward Chaining

25
2.   Backward Chaining
Diagram dimana
menghubungkan
hipotesa berdasarkan fakta-
fakta  yang  mendukung  sebuah  hipotesa.  Dengan  kata  lain
dapat
dikatakan
bahwa
penalaran dimulai dari
tujuan atau
hipotesa, kemudian dicocokkan dengan keadaan awal atau
fakta-fakta yang ada.
Gambar 2.8 Backward Chaining
Ada beberapa faktor yang mempengaruhi pemilihan
backward
atau
forward
dalam memilih
metode
penalaran,
antara lain:
1.   Banyaknya   keadaan   awal   dan   tujuan.   Jika   jumlah
keadaan
awal
lebih   kecil   daripada
tujuan,
maka
digunakan penalaran
forward.
Sebaliknya,
jika
jumlah
keadaan awal lebih banyak daripada tujuan, maka
digunakan metode penalaran backward.

26
2.   Rata  –  rata  jumlah  simpul  (node)  yang  dapat  diraih
secara
langsung
dari
suatu
simpul.
Lebih
baik
dipilih
yang jumlah simpul tiap cabangnya lebih sedikit.
3.   Apakah program butuh menanyai pengguna (user) untuk
melakukan  justifikasi  terhadap  proses  penalaran?  Jika
ya,
maka alangkah
baiknya
jika
dipilih
arah
yang
lebih
memudahkan pengguna.
4.
Bentuk  kejadian  yang  akan  memicu  penyelesaian
masalah. Jika kejadian itu berupa fakta baru, maka lebih
baik dipilih penalaran forward . namun jika kejadian itu
berupa
query, maka
lebih
lebih
baik
dipilih
penalaran
backward