A. Sistem Pakar
Sistem pakar adalah sebuah program komputer yang dirancang untuk memodelkan kemampuan
menyelesaikan masalah seperti layaknya seorang pakar (human expert). Sistem pakar yang baik dirancang
agar dapat menyelesaikan suatu permasalahan tertentu dengan meniru kerja dari para ahli di bidangnya
masing-masing. Contohnya dokter, mekanik, psikolog, dan lain-lain. Sistem pakar terkadang lebih baik unjuk
kerjanya daripada seorang pakar manusia, sehingga sistem pakar dapat disimpulkan yaitu sebagai sebuah
kepakaran yang ditransfer dari sebuah pakar (atau sumber kepakaran yang lain) ke komputer, pengetahuan
yang ada kemudian disimpan dalam memori komputer dan pengguna dapat berkonsultasi dengan komputer
untuk suatu keperluan tertentu, lalu komputer dapat menyimpulkan seperti layaknya seorang pakar,
kemudian menjelaskannya kepada pengguna tersebut, dengan menyertakan alasan-alasannya.
Sistem Pakar dibangun bukan berdasarkan algoritma tertentu tetapi bedasarkan basis pengetahuan
(Knowledge-Base) dan aturan (Rule). Basis pengetahuan berisi pengetahuan penting untuk pengertian,
formulasi dan pemecahan masalah. Dalam penyusunannya, sistem pakar mengkombinasikan kaidah-kaidah
penarikan kesimpulan (inference rules) dengan basis pengetahuan tertentu yang diberikan oleh satu atau
lebih pakar dalam bidang tertentu. Kombinasi dari kedua hal tersebut disimpan dalam komputer, yang
selanjutnya digunakan dalam proses pengambilan keputusan untuk penyelesaian masalah tertentu. Sistem
pakar setidak-tidaknya mempunyai dua unsur manusia atau lebih yang terlibat di dalam pembuatan dan
pengembangan serta penggunaannya. Minimal, ada seseorang yang membangun dan ada penggunanya.
Sering juga ada pakar dan perekayasa pengetahuan (knowledge engineer). Terdapat 4 unsur manusia dalam
sistem pakar yaitu :
1. Pakar (The Expert)
Pakar merupakan orang yang menguasai bidang ilmu pengetahuan tertentu, berpengalaman, pengambil
keputusan dan menguasai metode-metode tertentu, serta mampu memanfaatkan talentanya dalam
memberikan nasehat/saran terhadap penyelesaian suatu permasalahan. Juga merupakan tugas dari
seorang pakar untuk memberikan atau menyediakan pengetahuan bagaimana seseorang membentuk
suatu sistem berbasis pengetahuan yang hendak dibuatnya. Selain itu, pakar juga mengetahui mana fakta
yang penting dan tidak penting di antara fakta-fakta yang ada.
2. Perekayasa Pengetahuan (Knowledge Engineer)
Knowledge Engineer adalah orang yang membantu pakar dalam menyusun area permasalahan dengan
menginterprestasikan dan mengintegrasikan jawaban-jawaban pakar atas pertanyaan yang diajukan,
menggambarkan analogi, mengajukan counter example dan menerangkan kesulitan-kesulitan
konseptual.
3. Pemakai (User)
a. Pemakai bukan pakar. Dalam hal ini, sistem pakar berperan sebagai seorang konsultan atau pemberi
nasihat.
b. Siswa yang ingin belajar, di sini sistem pakar berperan sebagai instruktur.
c. Pembangunan sistem pakar yang ingin meningkatkan dan menambah basis pengetahuan, dalam hal
ini sistem pakar berperan sebagai rekan kerja (partner).
d. Pakar, dalam hal ini sistem pakar berperan sebagai kolega atau asisten dan unsur lainnya
4. Pembangun Sistem (System Engineer)
Pembangun sistem adalah orang yang bertugas untuk merancang antar muka pemakai sistem pakar,
merancang pengetahuan yang sudah diterjemahkan oleh pembangun pengetahuan ke dalam bentuk yang
sesuai dan dapat diterima oleh sistem pakar dan mengimplementasikannya ke dalam mesin inferensi.
Selain hal tersebut pembangun sistem juga bertanggung jawab apabila sistem pakar akan diintegrasikan
dengan sistem komputerisasi lain. Alat pembangun (tool builder) dapat dipakai untuk menyajikan atau
membangun tool yang spesifik. Penjual (vendor) dapat memberikan tool dan saran, staf pendukung dapat
memberikan saran dan bantuan secara teknis dalam proses pembangunan sistem pakar.
Struktur dari Sistem Pakar dapat digambarkan seperti gambar 1. Komponen-komponen yang
terdapat dalam arsitektur/struktur sistem pakar pada gambar 1 dijelaskan sebagai berikut :
1. Antarmuka Pengguna (User Interface)
Antarmuka 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.
2. Basis Pengetahuan
Basis pengetahuan mengandung pengetahuan untuk pemahaman, formulasi, dan penyelesaian masalah.
Basis pengetahuan merupakan inti dari suatu sistem pakar, yaitu berupa representasi pengetahuan dari
pakar. Basis pengetahuan tersusun atas fakta dan kaidah. Fakta adalah informasi tentang objek, peristiwa
atau situasi. Kaidah adalah cara untuk membangkitkan suatu fakta baru dari fakta yang sudah diketahui.
F. Pengetahuan (Knowledge)
Pengetahuan adalah fakta atau kondisi sesuatu atau keadaan yang timbul karena suatu pengalaman.
Cabang ilmu yang mempelajari tentang pengetahuan disebut epistomologi. Epistomologi dibagi menjadi lima,
yaitu:
1. Priori Knowledge, kebenaran yang universal dan tidak dapat disangkal tanpa kontradiksi. Misalnya
pernyataan logika, hukum matematika.
2. Posteriori Knowledge, knowledge yang diturunkan dari akal pikiran yang sehat, kebenarannya dapat
dibuktikan dengan menggunakan pengalaman akal sehat.
3. Procedural Knowledge, berkenaan untuk mengetahui bagaimana melakukan sesuatu. Misalnya
pengetahuan tentang bagaimana mendidihkan air dalam mangkok.
4. Declarative Knowledge, berkenaan untuk mengetahui sesuatu itu benar atau salah. Misalnya “Jangan
celupkan tangan Anda ke dalam mangkok air yang sedang mendidih.”
5. Tacit Knowledge atau unconcious knowledge, knowledge yang yang tidak dapat diekspresikan dengan
bahasa. Misalnya melangkah dengan kaki kiri atau kanan terlebih dahulu.
Wisdom
Knowledge
Informasi
Data
Noise
Representasi Pengetahuan dimaksudkan untuk menangkap sifat-sifat penting masalah dan membuat
infomasi dapat diakses oleh prosedur pemecahan masalah. Bahasa representasi harus dapat membuat
seorang programmer mampu mengekspresikan pengetahuan untuk mendapatkan solusi suatu masalah.
Representasi Pengetahuan yang baik, haruslah mengemukakan hal secara eksplisit, membuat
masalah menjadi transparan, komplit dan efisien, menampilkan batasan-batasan alami yang ada,
menekan/menghilangkan detail-detail yang diperlukan, dapat dilakukan komputasi (ada
batasan/constraint). Dengan representasi, banyak hal yang akan kita dapatkan dalam menyelesaikan suatu
permasalahan. Berikut ini adalah beberapa keuntungan yang akan kita dapatkan ketika kita membuat
representasi pengetahuan, yaitu:
1. Dengan representasi yang baik, membuat objek dan relasi yang penting menjadi jelas.
2. Representasi menyingkap constraint (batasan) dalam suatu permasalahan. Kita dapat mengungkapkan
pengaruh sebuah objek atau relasi terhadap objek atau relasi yang lain.
3. Dengan representasi kita akan dapatkan objek dan relasi secara bersama-sama. Kita akan dapat melihat
semua yang kita inginkan dalam satu waktu.
4. Kita dapat menghilangkan semua komponen yang tidak berhubungan dengan permasalahan yang sedang
kita selesaikan. Atau kita dapat menyembunyikan beberapa informasi yang tidak kita butuhkan untuk
sementara dan pada saat kita membutuhkannya kita dapat menampilkan kembali.
5. Dengan representasi akan membuat permasalahan yang sedang kita selesaikan menjadi transparan. Kita
akan memahami permasalahan yang kita selesaikan.
6. Dengan representasi kita akan dapat menyingkap suatu permasalahan secara lengkap, sehingga
permasalahan dapat diselesaikan.
7. Dengan representasi akan membua permasalahan menjadi ringkas. Kita akan berpikir ringkas
(merepresentasikan apa yang ingin kita representasikan secara effisien).
8. Dengan representasi, maka akan menjadikan pekerjaan kita menjadi cepat.
9. Dengan representasi, menjadikan permasalahan yang kita selesaikan dapat terkomputerisasi.
10. Dengan representasi ini kita akan dapat melakukan prosedur-prosedur dalam menyelesaikan suatu
permasalahan.
Susunan atau pola klasifikasi representasi pengetahuan dibagi menjadi empat kategori, yaitu:
1. Representasi Logika/Rule-Based Knowledge. Representasi ini menggunakan ekspresi-ekspresi dalam
logika formal untuk merepresentasikan basis pengetahuan.
2. Representasi Prosedural/Case-Base Reasoning. Menggambarkan pengetahuan sebagai sekumpulan
instruksi untuk memecahkan suatu masalah. Dalam sistem yang berbasis aturan, aturan if-then dapat
ditafsirkan sebagai sebuah prosedur untuk mencapai tujuan pemecahan masalah.
3. Representasi Network/Object-Based Knowledge. Menyatakan pengetahuan sebagai sebuah graf di mana
simpul-simpulnya menggambarkan objek atau konsep dalam masalah yang dihadapi, sedangkan
lengkungannya menggambarkan hubungan antar mereka. Contohnya adalah jaringan semantik.
4. Representasi Terstruktur/Frame-Based Knowledge. Memperluas network dengan cara membuat setiap
simpulnya menjadi sebuah struktur data kompleks yang berisi tempat-tempat bernama slot dengan nilai-
nilai tertentu. Nilai-nilai ini dapat merupakan data numerik atau simbolik sederhana, pointer ke bingkai
(frame) lain, atau bahkan merupakan prosedur untuk mengerjakan tugas tertentu. Contoh: skrip (script),
bingkai (frame) dan objek (object).
G. Ketidakpastian
Jika sistem pakar yang dikembangkan memiliki pengetahuan yang lengkap tentang permasalahan
yang akan ditanganinya, maka sistem tersebut dapat dengan mudah memberikan solusi dengan
menggunakan pendekatan logika. Misalnya menggunakan metode inferensi Forward Chaining atau Backward
Chaining.
Akan tetapi, sistem hampir tidak pernah dapat mengakses seluruh fakta yang ada dalam lingkungan
permasalahan yang akan ditanganinya, sehingga sistem harus bekerja dalam ketidakpastian dan kesamaran.
Untuk itu, sistem pakar harus menggunakan teknik-teknik khusus yang dapat menangani ketidakpastian dan
kesamaran dalam menyelesaikan permasalahan yang ditanganinya.
Banyak kemungkinan dan ketidakpastian menyertai dalam masalah dan solusinya. Ada beberapa
sumber dari ketidakpastian, beberapa diantaranya adalah :
a. Masalah
Beberapa masalah meliputi faktor-faktor yang oleh sifat mereka, tidak pasti atau acak. Sebagai contoh,
dalam pengobatan, penyakit yang sama dapat memberi gejala yang berbeda untuk pasien yang lain.
Mungkin saja untuk mendeteksi pola-pola dalam masalah-masalah ini tetapi tidak semuanya dapat
diperkirakan seorang pakar. Dengan melihat pola-pola ini dapat dipakai aturan-aturan yang masing-
masing biasanya sesuai.
b. Data
Beberapa masalah mungkin memiliki batasan yang kurang jelas bagi seseorang. Orang yang
menghadirkan masalah mungkin mengetahui beberapa fakta untuk kepastian, menuduh lainnya dan
tidak mengetahui lainnya. Angka-angka dan nilai-nilai dapat tidak tepat, ditebak atau tidak diketahui.
Mungkin akan menjadi sangat mahal dan berbahaya atau hampir tidak mungkin untuk menyediakan
semua informasi secara lengkap. Pakar harus mampu membuat keputusan yang memadai di atas basis
pengetahuan seperti itu.
c. Pakar
Manusia sering dapat memakai pengetahuan mereka tanpa mengetahui secara eksplisit apa pengetahuan
itu sendiri. Mereka mungkin harus meningkatkan secara detail apa yang mereka lakukan dan bagaimana
dan tampak tak jelas atau bahkan bertentangan dengan dirinya sendiri. Teknik-teknik perolehan
pengetahuan dirancang untuk mengatasi ketidakpastian yang disebabkan oleh hal ini.
d. Solusi
Ada beberapa area tertentu dimana tidak terdapat pakar yang diakui. Pakar sendiri mungkin tidak setuju
satu sama lain dan tak seorangpun dapat memutuskan solusi yang baik. Domain seperti itu dapat berupa
strategi militer.
Ada tiga teknik yang dapat digunakan untuk menangani ketidakpastian dan kesamaran pengetahuan,
yaitu:
1. Teknik Probabilitas, yang dikembangkan dengan memanfaatkan teorema Bayes yang menyajikan
hubungan sebab akibat yang terjadi diantara evidenceevidence yang ada. Pendekatan alternatif lainnya
yang dapat digunakan adalah teori Dempster-Shafer.
2. Faktor Kepastian (Certainty Factor), merupakan teknik penalaran tertua, yang digunakan pada system
MYCIN. Teknik ini bersifat semi probabilitas, karena tidak sepenuhnya menggunakan notasi probabilitas.
3. Logika Fuzzy, merupakan teknik baru yang diperkenalkan oleh Zadeh. Setiap variable dalam teknik ini
memiliki rentang nilai tertentu, yang akan digunakan untuk menghitung nilai fungsi keanggotaannya.
H. Tugas
Jawab pertanyaan berikut sesuai pemahaman Anda dari hasil Studi Literatur dari buku manual,
buku elektronik atau situs di internet. Pelajari salah satu Artikel berikut :
1. Sistem Pakar Untuk Mendiagnosa Penyakit Mata Menerapkan Metode Certainty Factor dan Forward
Chaining (sumber)
2. Diagnosis Gastroenteritis Berbasis Sistem Pakar Menggunakan Metode Fuzzy Dan Certainty Factor
(sumber)
3. Implementasi Sistem Pakar Dengan Metode Certainty Factor Dan Forward Chaining Pada Helpdesk UPT
TIK Unsika (sumber)
4. Sistem Pakar Diagnosa Penyakit Pada Kucing Anggora Menggunakan Metode Fuzzy Mamdani Berbasis
Website (sumber)
5. Sistem Pakar Identifikasi Hama Dan Penyakit Pada Umbi Porang Dengan Metode Certainty Factor
(sumber)
6. Sistem Pakar Diagnosa Penyakit ISPA Dengan Menggunakan Metode Certainty Factor Berbasis Web
(sumber)
7. Penerapan Metode Certainty Factor Pada Sistem Pakar Diagnosa Gangguan Mental Pada Anak Berbasis
Web (sumber)
8. Pengembangan Sistem Pakar Gaya Belajar Anak Dengan Metode Fuzzy Logic Berbasis Android (sumber)
9. Penerapan Metode Certainty Factor dan Dempster Shafer dalam Sistem Pakar Penerima Bantuan Daerah
pada Jorong Koto Tuo (sumber)
10. Mengidentifikasi Jenis Kulit Wajah Dalam Pemilihan Produk Skin Care Menggunakan Metode Certainty
Factor (sumber)
11. Sistem Pakar Diagnosis Hama Penyakit Tanaman Jeruk Keprok Borneo Prima (Citrus Reticulata) Dengan
Fuzzy Tsukamoto (sumber)
12. Sistem Pakar Untuk Mendiagnosa Penyakit Pada Hewan Kambing Menggunakan Metode Certainty Factor
(sumber)
13. Metode Dempster Shafer pada Sistem Pakar Penentuan Penyakit Bayi (sumber)
14. Penerapan Metode Dempster Shafer Untuk Mendiagnosis Penyakit Pada Tanaman Kol (sumber)
15. Klasifikasi Sistem Pakar Diagnosis Penyakit Anak Menggunakkan Metode Forward dan Backward
Chaining Studi Kasus: Posyandu Kamal (sumber)
16. Sistem Pakar Kerusakan Laptop Menggunakan Metode Backward Chaining Berbasis Web (sumber)
17. Sistem Pakar Mendiagnosa Penyakit Hiperemesis Gravidarum Menggunakan Teorema Bayes (sumber)
Note :
Recommended aplikasi untuk konversi ke format PDF secara
• offline : Microsoft Print to PDF (petunjuk via googling)
• online : www.freepdfconvert.com/id