Pengenalan Sistem Pakar

Sistem Pakar

1
 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 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
5
6
 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, membaca dan pengalaman.

8
 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 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)

10
Komponen Utama Sistem Pakar

Expertise

Knowledge Base

Facts / Information User Interface

Us

Inference Engine
Expertise

11
 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
 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
• Proses pembuatan SP knowledge
Human Expert engineering yg dilakukan oleh
knowledge engineer. Selain itu
domain expert dan end user.
Dialog • Tugas knowledge engineer adalah
memilih S/W & H/W u/ pembuatan
Knowledge SP, membantu mengambil
Engineer pengetahuan yg dibutuhkan dari
pakar domain, serta implementasi
Explicit Knowledge pengetahuan pada basis
pengetahuan yg benar & efisien
Knowledge Base
• Tugas pakar domain : menyediakan
Of Expert System
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 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 & 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 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 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.
• 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
malfungsi.
• Instruksi – mendeteksi dan mengoreksi defisiensi
dalam pemahaman domain subyek
• 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
– 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
– 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
25
 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
face
User Interfac

Facility
Inference Engine Agenda

Explanation
Facility
Working Memory

27
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 the light is red consequent
THEN stop (right-hand-side)
Rule: Green_Light
IF the light is green
THEN go
antecedent (left-hand-side)
Production Rules consequent
the light is red ==> stop (right-hand-side)
the light is green ==> go 29
 MYCIN Sample Rule
Human-Readable Format
IF the stain of the organism is gram negative
AND the morphology of the organism is rod
AND the aerobiocity of the organism is gram anaerobic
THEN 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
• 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

31
 Metode Aktifasi Rules
• Forward Chaining
• Backward Chaining

32
 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 facts are sought until all parts of the
antecedent of the hypothesis 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 Rules
Matching
Resolution
Rete Post
Production
Algorithm Action
Rules
Execution
Markov
Algorithm
35
 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 for production
systems
– rules with higher priorities are applied first
– 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 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 for a particular problem
– some “easy” problems are computationally very
expensive
• 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 a format that is suitable
for computers but still understandable by humans
– If-Then rules are a popular format
• the main components of an expert system are
– 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: Nilai/value yang turut
merepresentasikan deskripsi dari
suatu objek atau kejadian (event)

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)

• pengalaman, pelatihan

• Data + processing = information

• Information + processing (pengalaman, training, dll) = knowledge

42
 Struktur Dasar SP

• Knowledge Base
• Working Memory
• Inference Engine
43
 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
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 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
• Performance
• Multiple expertise
• Reliability
• Explanation
• Response-cepat
• Steady, unemotional and complete response47
 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
• Flexibility

49
 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 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 B
• Huruf Yunani α,β
• Contoh : Memindahkan huruf pertama string input
ke akhir
• Aturan 1. αxy yαx
• 2. α ^
• 3. ^ α
• Input ABC
52
 Algoritma Markov
Input ABC

α
53
 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 University (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 Intelligent, Elaine Rich, Kevin Knight
• Expert System, Giarrantino/ Rilley
• Peng.Sistem Pakar, Gunadarma

55