Setiap aturan terdiri dari dua bagian: bagian IF, disebut anteseden (premis atau
kondisi) dan bagian THEN disebut konsekuensi (kesimpulan atau tindakan). Sintaks
dasar suatu aturan adalah:
Sistem pakar yang paling populer adalah sistem berbasis aturan. Sejumlah besar
telah dibangun dan berhasil diterapkan di bidang-bidang seperti bisnis dan teknik,
kedokteran dan geologi, sistem tenaga dan pertambangan. Shell sistem pakar menjadi
sangat populer untuk mengembangkan sistem berbasis aturan.
4. Apa itu shell sistem pakar?
Shell (kerangka) sistem pakar dapat dianggap sebagai sistem pakar dengan
pengetahuannya yang telah dihapus. Oleh karena itu, yang harus dilakukan pengguna
adalah menambah pengetahuan dalam bentuk aturan dan menyediakan data yang relevan
untuk menyelesaikan suatu masalah.
Secara umum, ada lima anggota tim pengembangan sistem pakar: pakar domain,
insinyur pengetahuan, pemrogram, proyek manajer dan pengguna akhir. Keberhasilan
sistem pakar mereka sepenuhnya bergantung pada seberapa baik anggota bekerja sama.
Seorang Ahli domain adalah orang yang berpengetahuan dan terampil yang
mampu memecahkan masalah di bidang tertentu atau domain. Oleh karena itu, pakar
harus mampu mengkomunikasikan pengetahuannya, bersedia berpartisipasi dalam
pengembangan sistem pakar, dan menyediakan banyak waktu untuk proyek tersebut.
Pakar domain adalah pemain terpenting dalam tim pengembangan sistem pakar.
Seorang manajer proyek adalah pemimpin tim pengembangan sistem pakar, yang
bertanggung jawab untuk menjaga proyek tetap pada jalurnya. Dia memastikan bahwa
semua kiriman dan pencapaian terpenuhi, berinteraksi dengan pakar, insinyur
pengetahuan, pemrogram, dan pengguna akhir.
Itu dasar pengetahuan berisi pengetahuan domain yang berguna untuk pemecahan
masalah. Dalam sistem pakar berbasis aturan, pengetahuan direpresentasikan sebagai
seperangkat aturan. Setiap aturan menentukan relasi, rekomendasi, direktif, strategi atau
heuristik dan memiliki struktur IF (condition) THEN (action).
Itu database mencakup sekumpulan fakta yang digunakan untuk mencocokkan
dengan bagian IF (kondisi) dari aturan yang disimpan di basis pengetahuan. Itu mesin
inferensi melakukan penalaran dimana sistem pakar mencapai solusi. Ini menghubungkan
aturan yang diberikan dalam basis pengetahuan dengan fakta-fakta yang disediakan
dalam database.
Itu fasilitas penjelasan memungkinkan pengguna untuk menanyakan sistem pakar
bagaimana kesimpulan tertentu tercapai dan Mengapa fakta spesifik dibutuhkan. Sistem
pakar harus mampu menjelaskan alasannya dan membenarkan saran, analisis, atau
kesimpulannya.
Itu antarmuka pengguna adalah alat komunikasi antara pengguna yang mencari
solusi untuk masalah dan sistem pakar. Komunikasi harus bermakna dan seramah
mungkin.
Kelima komponen ini penting untuk sistem pakar berbasis aturan. Mereka
merupakan intinya, tetapi mungkin ada beberapa komponen tambahan.
Itu antarmuka eksternal memungkinkan sistem pakar untuk bekerja dengan file
data eksternal dan program yang ditulis dalam bahasa pemrograman konvensional seperti
C, Pascal, FORTRAN, dan Basic. Struktur lengkap dari sistem pakar berbasis.
Itu antarmuka pengembang biasanya mencakup editor basis pengetahuan, alat
bantu debugging, dan fasilitas input / output.
Gunakan penalaran yang tidak Izin alasan yang tidak tepat dan Bekerja hanya pada masalah
tepat dan bisa menangani bisa menangani tidak lengkap, yang datanya lengkap dan
tidak lengkap, tidak pasti dan tidak pasti dan data fuzzy. tepat.
informasi kabur.
Dapat melakukan kesalahan Bisa membuat kesalahan ketika Tidak memberikan solusi sama
bila informasi tidak lengkap data tidak lengkap atau tidak sekali, atau solusi yang salah,
atau kabur. jelas. saat data tidak lengkap atau
tidak jelas.
Meningkatkan kualitas Meningkatkan kualitas Meningkatkan kualitas
pemecahan masalah melalui pemecahan masalah dengan pemecahan masalah dengan
pembelajaran bertahun-tahun menambahkan aturan baru atau mengubah program kode, yang
dan pelatihan praktis. Proses menyesuaikan yang lama di memengaruhi pengetahuan dan
ini lambat, tidak efisien dan basis pengetahuan. Ketika pemrosesannya, pembuatannya
mahal. pengetahuan baru diperoleh, perubahan sulit.
perubahan itu mudah untuk
mencapai.
Rule 1 : IF Y is true
AND D is true
THEN Z is true
Rule 2 : IF X is true
AND B is true
AND E is true
THEN Y is true
Rule 3 : IF A is true
THEN X is true
Sistem pakar dapat menampilkan rantai inferensi untuk menjelaskan bagaimana
kesimpulan tertentu dicapai; ini adalah bagian penting dari fasilitas penjelasannya.
Mesin inferensi harus memutuskan kapan aturan harus diberlakukan. Ada dua
cara utama di mana aturan dijalankan. Salah satunya disebut rantai ke depan Dan lainnya
rantai mundur.
Perangkaian maju
Rantai ke depan adalah berbasis data pemikiran. Penalarannya dimulai dari data
yang diketahui dan dilanjutkan dengan data itu. Setiap kali hanya aturan paling atas yang
dijalankan. Saat dipecat, aturan tersebut menambahkan fakta baru dalam database. Aturan
apa pun hanya dapat dijalankan satu kali. Siklus api korek api berhenti jika tidak ada
aturan lebih lanjut yang dapat diberlakukan.
Rantai mundur
Rantai mundur adalah didorong oleh tujuan pemikiran. Dalam rangkaian mundur,
sistem pakar memiliki tujuan (solusi hipotetis) dan mesin inferensi mencoba menemukan
bukti untuk membuktikannya. Pertama, basis pengetahuan dicari untuk menemukan
aturan yang mungkin memiliki solusi yang diinginkan. Aturan seperti itu harus memiliki
tujuan di bagian MAKA (tindakan). Jika aturan seperti itu ditemukan dan bagian IF
(kondisi)-nya cocok dengan data dalam database, maka aturan tersebut akan hangus dan
tujuannya terbukti.
Dalam Pass 1, mesin inferensi mencoba menyimpulkan fakta Z. Ini mencari basis
pengetahuan untuk menemukan aturan yang memiliki tujuan, dalam fakta kasus kami Z,
di bagian KEMUDIAN nya. Mesin inferensi menemukan dan menyusun Aturan 1: Y &
D! Z. Bagian IF dari Aturan 1 mencakup fakta Y dan D, dan dengan demikian fakta-fakta
ini harus ditetapkan.
Dalam Pass 2, mesin inferensi menyiapkan sub-tujuan, fakta Y, dan mencoba
untuk menentukannya. Pertama, ia memeriksa database, tetapi fakta Y tidak di sana.
Kemudian basis pengetahuan dicari lagi aturannya dengan fakta Y di bagian
KEMUDIAN nya. Itu mesin inferensi menempatkan dan menyusun Aturan 2: X & B &
E! Y. Bagian IF dari Aturan 2 terdiri dari fakta X, B dan E, dan fakta-fakta ini juga harus
ditetapkan.
Di Pass 3, mesin inferensi menyiapkan sub-tujuan baru, fakta X. Ia memeriksa
database untuk fakta X, dan jika gagal, telusuri aturan yang menyimpulkan X. Mesin
inferensi menemukan dan menyusun Aturan 3: SEBUAH ! X. Sekarang harus
menentukan fakta SEBUAH.
Dalam Pass 4, mesin inferensi menemukan fakta SEBUAH dalam database,
Aturan 3: SEBUAH ! X adalah fakta baru dan merah X disimpulkan.
Di Pass 5, mesin inferensi kembali ke fakta sub-tujuan Y dan sekali lagi mencoba
menjalankan Aturan 2: X & B & E! Y. Fakta X, B dan E berada dalam database dan
karenanya Aturan 2 dipecat dan menjadi fakta baru, fakta Y, ditambahkan ke database.
Di Pass 6, sistem kembali ke Aturan 1: Y & D! Z mencoba untuk menetapkan
tujuan awal, fakta Z. Bagian IF dari Aturan 1 cocok dengan semua fakta dalam database,
Aturan 1 dijalankan dan dengan demikian tujuan awal akhirnya ditetapkan.
8. PENASEHAT MEDIA: sistem pakar berbasis aturan demonstrasi
Dalam dialog yang ditampilkan di bawah ini, sistem pakar meminta pengguna
untuk memasukkan data yang diperlukan untuk memecahkan masalah (lingkungan,
pekerjaan, dan umpan balik). Berdasarkan jawaban yang diberikan oleh pengguna
(jawaban ditunjukkan dengan panah), sistem pakar menerapkan aturan dari basis
pengetahuannya untuk menyimpulkan bahwa stimulus_situation adalah objek fisik, dan
stimulus_response adalah tangan di atas.
Rantai mundur adalah penalaran yang digerakkan oleh tujuan, jadi pertama-tama
kita perlu menetapkan solusi hipotetis (tujuan). Mari kita, misalnya, menetapkan tujuan
berikut:
9. Resolusi konflik
Mesin inferensi membandingkan bagian IF (kondisi) dari aturan dengan data yang
tersedia dalam database, dan ketika kondisi terpenuhi, aturan ditetapkan ke api. Batas
satu aturan dapat mempengaruhi aktivasi aturan lain, dan oleh karena itu mesin inferensi
harus mengizinkan hanya satu aturan yang menyala pada satu waktu. Dalam contoh
penyeberangan jalan kita, kita memiliki dua aturan, Aturan 2 dan Aturan 3, dengan
bagian IF yang sama. Dengan demikian keduanya dapat disetel ke api ketika bagian
kondisi terpenuhi. Aturan-aturan ini merepresentasikan sekumpulan konflik. Mesin
inferensi harus menentukan aturan mana yang akan ditembakkan dari set tersebut. Sebuah
metode untuk memilih aturan yang akan menyala ketika lebih dari satu aturan dapat
dipecat dalam siklus tertentu disebut resolusi konflik.
and
IF B is false
THEN B is not true
2. Teori probabilitas dasar
Probabilitas suatu peristiwa adalah proporsi kasus di mana peristiwa itu terjadi
(Good, 1959). Probabilitas juga dapat didefinisikan sebagai ukuran ilmiah dari peluang.
Analisis rinci teori probabilitas modern dapat ditemukan di buku teks terkenal seperti
Feller (1957) dan Fine (1973).
Oleh karena itu, jika s adalah berapa kali kesuksesan dapat terjadi, dan f adalah
berapa kali kegagalan dapat terjadi
3. Penalaran Bayesian
Aturan ini menyiratkan bahwa jika acara E terjadi, lalu probabilitas peristiwa itu
H. akan terjadi adalah p.
4. PRAKIRAAN: Akumulasi bukti Bayesian
Mari kita kembangkan sistem pakar untuk masalah nyata seperti ramalan cuaca.
Sistem pakar kami akan diminta untuk bekerja jika akan hujan besok. Diperlukan
beberapa data riil yang bisa diperoleh dari biro cuaca.
Sistem pakar harus memberi kita dua kemungkinan hasil - besok hujan dan besok
kering - dan berikan kemungkinan mereka. Dengan kata lain, sistem pakar harus
menentukan probabilitas bersyarat dari dua hipotesis besok hujan dan besok kering.
Hal pertama yang harus dilakukan adalah menulis dua aturan dasar yang, dengan
data yang disediakan, dapat memprediksi cuaca besok.
Rule: 1
IF today is rain
THEN tomorrow is rain
Rule: 2
IF today is dry
THEN tomorrow is dr
Dengan menggunakan aturan ini, kita hanya akan membuat sepuluh kesalahan -
setiap kali hari yang basah mendahului hari yang kering, atau hari yang kering
mendahului hari yang basah. Jadi, kami dapat menerima probabilitas sebelumnya 0,5
untuk kedua hipotesis dan menulis ulang aturan kami dalam bentuk berikut:
Rule: 1
IF today is rain {LS 2.5 LN .6}
THEN tomorrow is rain {prior .5}
Rule: 2
IF today is dry {LS 1.6 LN .4}
THEN tomorrow is dry {prior .5}
5. Bias metode Bayesian
Teori faktor kepastian adalah alternatif populer untuk penalaran Bayesian. Prinsip
dasar teori ini pertama kali diperkenalkan diMYCIN, sebuah sistem pakar untuk
diagnosis dan terapi infeksi darah dan meningitis (Shortliffe dan Buchanan, 1975).
Pengembang MYCIN menemukan bahwa para ahli medis mengungkapkan kekuatan
keyakinan mereka dalam istilah yang tidak konsisten secara logis maupun matematis.
Selain itu, data statistik yang dapat diandalkan tentang domain masalah tidak tersedia.
Oleh karena itu, tim MYCIN tidak dapat menggunakan pendekatan probabilitas klasik.
Sebaliknya, mereka memutuskan untuk memperkenalkan file.
Factor kepastian ( cf), angka untuk mengukur keyakinan ahli. Nilai maksimum
dari faktor kepastian adalah þ 1: 0 (jelas benar) dan minimum 1: 0 (jelas salah). Nilai
positif mewakili tingkat kepercayaan dan negatif tingkat ketidakpercayaan. Misalnya,
jika ahli menyatakan bahwa beberapa bukti hampir pasti benar, a cf nilai 0,8 akan
digunakan untuk bukti ini. Menunjukkan beberapa istilah tidak pasti yang ditafsirkan
dalam MYCIN (Durkin, 1994).
Dalam sistem pakar dengan faktor-faktor tertentu, basis pengetahuan terdiri dari
sekumpulan aturan yang memiliki sintaks berikut:
IF <evidence>
THEN <hypothesis> {cf}
7. PRAKIRAAN: penerapan faktor kepastian
Sistem pakar diperlukan untuk memprediksi apakah akan turun hujan esok hari,
atau dengan kata lain menetapkan faktor kepastian untuk objek multinilai. besok.
/* FORECAST: AN APPLICATION OF CERTAINTY FACTORS
control cf
control ‘threshold 0.01’
Rule: 1
if today is rain
then tomorrow is rain {cf 0.5}
Rule: 2
if today is dry
then tomorrow is dry {cf 0.5}
Rule: 3
if today is rain
and rainfall is low
then tomorrow is dry {cf 0.6}
Rule: 4
if today is rain
and rainfall is low
and temperature is cold
then tomorrow is dry {cf 0.7}
Rule: 5
If today is dry
and temperature is warm
then tomorrow is rain {cf 0.65}
Rule: 6
if today is dry
and temperature is warm
and sky is overcast
then tomorrow is rain {cf 0.55}
seek tomorrow
Teori probabilitas adalah teknik tertua dan paling mapan untuk menangani
pengetahuan yang tidak tepat dan data acak. Ini berfungsi dengan baik di area seperti
peramalan dan perencanaan, di mana data statistik biasanya tersedia dan pernyataan
probabilitas yang akurat dapat dibuat.
Sistem pakar yang menerapkan teknik Bayesian, PROSPECTOR, dikembangkan
untuk membantu ahli geologi eksplorasi dalam mencari deposit bijih. Itu sangat sukses;
misalnya dengan menggunakan data geologi, geofisika dan geokimia, PROSPECTOR
meramalkan keberadaan molibdenum di dekat Gunung Tolman di Negara Bagian
Washington (Campbell dkk., 1982). Tetapi tim PROSPECTOR dapat mengandalkan data
valid tentang endapan mineral yang diketahui dan informasi statistik yang andal.
Probabilitas setiap peristiwa juga ditentukan. PROSPECTOR tim juga dapat
mengasumsikan independensi bersyarat dari bukti, sebuah kendala yang harus dipenuhi
untuk menerapkan pendekatan Bayesian. Namun, di banyak area kemungkinan penerapan
sistem pakar, informasi statistik yang andal tidak tersedia atau kami tidak dapat
mengasumsikan independensi bersyarat dari bukti. Akibatnya, banyak peneliti
menemukan metode Bayesian tidak cocok untuk pekerjaan mereka. Misalnya, Shortliffe
dan Buchanan tidak dapat menggunakan pendekatan probabilitas klasik di MYCIN
karena bidang medis sering tidak dapat memberikan data yang diperlukan (Shortliffe dan
Buchanan,1975). Ketidakpuasan ini mendorong berkembangnya teori faktor kepastian.
Meskipun pendekatan faktor kepastian tidak memiliki kebenaran matematis dari
teori probabilitas, pendekatan ini tampaknya mengungguli penalaran Bayesian subjektif
dalam bidang-bidang seperti diagnostik, khususnya dalam kedokteran. Dalam sistem
pakar diagnostik seperti MYCIN, aturan dan faktor kepastian berasal dari pengetahuan
pakar dan penilaian intuitifnya. Faktor kepastian digunakan dalam kasus di mana
probabilitas tidak diketahui atau terlalu sulit atau mahal untuk diperoleh. Mekanisme
penalaran bukti dapat mengelola bukti yang diperoleh secara bertahap, hubungan dan
disjungsi hipotesis, serta bukti dengan tingkat kepercayaan yang berbeda. Selain itu,
pendekatan faktor kepastian memberikan penjelasan yang lebih baik tentang aliran
kontrol melalui sistem pakar berbasis aturan.
Pendekatan Bayesian dan faktor kepastian berbeda satu sama lain, tetapi
keduanya memiliki masalah yang sama: menemukan seorang ahli yang mampu mengukur
informasi pribadi, subjektif dan kualitatif. Manusia mudah sekali bias, dan oleh karena itu
pilihan teknik manajemen ketidakpastian sangat bergantung pada ahli domain yang ada.
Metode Bayes mungkin akan menjadi yang paling tepat jika ada data statistik
yang andal, insinyur pengetahuan mampu memimpin, dan pakar tersedia untuk
percakapan analitis keputusan yang serius. Dengan tidak adanya salah satu kondisi
tertentu, pendekatan Bayesian mungkin terlalu sewenang-wenang dan bahkan bias untuk
menghasilkan hasil yang berarti. Juga harus disebutkan bahwa penyebaran kepercayaan
Bayesian memiliki kompleksitas eksponensial, dan dengan demikian tidak praktis untuk
basis pengetahuan yang besar.
Teknik faktor kepastian, meskipun tidak memiliki fondasi formal, menawarkan
pendekatan sederhana untuk menangani ketidakpastian dalam sistem pakar dan
memberikan hasil yang dapat diterima di banyak aplikasi.
KESIMPULAN :
Pada Bab 2,Rule Based Expert Systems, Pada bab ini, buku tersebut menjelaskan
tentang Rule based expert system (system pakar berbasis aturan). Pada bagian awal
buku, penulis membahas secara singkat definisi dari pengetahuan, siapa saja yang dapat
dianggap sebagai pakar secara umum, dan bagaimana cara pakar-pakar berpikir dan
mengekspresikan pengetahuan mereka dalam bentuk berupa production rules (aturan
produksi). Shell sistem pakar adalah sistem pakar kerangka dengan pengetahuan yang
dihapus. Setiap aturan baru menambahkan beberapa pengetahuan baru dan membuat
sistem pakar lebih pintar. Tidak seperti program konvensional, sistem pakar dapat
menangani data yang tidak lengkap dan tidak pasti serta memungkinkan penalaran yang
tidak tepat. Ada dua metode utama untuk mengarahkan pencarian dan penalaran: teknik
inferensi forward chaining dan backward chaining. Perangkaian ke depan adalah
penalaran berbasis data; ini dimulai dari data yang diketahui dan berlanjut hingga tidak
ada aturan lebih lanjut yang dapat ditetapkan. Jika lebih dari satu aturan dapat dipecat
dalam siklus tertentu, mesin inferensi harus memutuskan aturan mana yang akan
diaktifkan.