Anda di halaman 1dari 23

Kuliah Sistem Pakar

Pertemuan IV

Akuisisi dan Rekayasa


Pengetahuan
Transferring Expertise

Objective of an expert system


To transfer expertise from an expert to a
computer system and
Then on to other humans (nonexperts)
Activities
Knowledge acquisition
Knowledge representation
Knowledge inferencing
Knowledge transfer to the user
Knowledge is stored in a knowledge base
Pakar
Buku-buku
Didokumentasi
Dokumen Sumber
Tidak didokumentasi
Database Pengetahuan
Peta
Internet
dll
Pengetahuan

KE
DE KE

Rekayasa Akuisisi
Pengetahuan Pengetahuan

K E = Knowledge Engineer
D E = Domain Expert
Model dasar dari akuisisi
Pengetahuan

Elicitation Coding
Knowledge Knowledge
Expert Engineer Base
(KE)
Proses Rekayasa Pengetahuan
(Knowledge Engineering Process)
Validasi Sumber
Pengetahuan Pengetahuan

Akuisisi
Pengetahuan

Basis Representasi
Pengetahuan Pengetahuan

Justifikasi Pengkodean
Penjelasan

Inferensi
Akuisisi Pengetahuan
(Knowledge Acquisition)

Akuisisi Pengetahuan adalah suatu proses


menyarikan, menstrukturkan dan mengor -
ganisasikan pengetahuan yang berasal dari
sumber-sumber pengetahuan dan diubah
oleh KE ke dalam basis pengetahuan, dan
ke mesin inferensi.
Kesulitan dalam Akuisisi
Pengetahuan

Expressing the knowledge


Transfer to a Machine
Number of participants
Structuring the knowledge
The Knowledge Engineer
(KE)

Helps the expert(s) structure the problem


area by interpreting and integrating
human answers to questions, drawing
analogies, posing counterexamples, and
bringing to light conceptual difficulties

Usually also the System Builder

36
Tahapan Akuisisi Pengetahuan

Pertemuan 04 halaman 05
IF623
Tahapan Akuisisi Pengetahuan

Pertemuan 04 halaman 05
IF 623
Peranan Knowledge Engineer
dalam Akuisisi Pengetahuan

Pertemuan 04 halaman 07
IF623
Cara-cara memperoleh /elicitation
Pengetahuan dari Expert
Metode Manual

Expert
Elicitation
Coding

Knowledge Knowledge
Engineer Base

Documented
Knowledge
Cara-cara memperoleh /elicitation
Pengetahuan dari Expert
Metode Semiotomatis

Coding
Computer
Aided Knowledge
Expert Interviewing Base
(interactive)

Knowledge
Engineer
Cara-cara memperoleh /elicitation
Pengetahuan dari Expert
Metode Otomatis

Case
Histories
Induction Knowledge
and
System Base
Examples
Metode Akuisisi
Tidak Terstruktur
Wawancara
Terstruktur
Manual

Analisis Protokol
Metode Pelacakan
Observasi

Metode Lainnya Selainnya

Mendukung Pakar Analisis Grid


Repertori
ETS

Semi Otomatis Kriton

Metode Aquinas
Akuisisi Pengetahuan

Editor
Mendukung
InsinyurPengetahuan Penjelasan

Induksi Aturan Dokumentasi


Otomatis
Mesin Belajar Alat bantu Front- End
Keuntungan dan Masalah
Partisipasi Banyak Pakar ?

Transparansi IF623 Sistem


Pakar 04/08 - 09
Menguji Basis Pengetahuan

Ukuran (kriteria) Penjelasan


Ketepatan Seberapa bagus sistem
(accuracy) merefleksikan realitas
Adaptabilitas Kemungkinan
pengembangan /perubahan
Kecukupan Bagian dalam pengetahuan
(adequacy) yang dimasukkan dalam
BP
Daya tarik (appeal) Menstimulasi pemikiran
dan kepraktisan
Menguji Basis Pengetahuan
(lanjutan 1)

Ukuran (kriteria) Penjelasan


Cakupan melebar Seberapa jauh domain
(breadth) dicakup
Cakupan mendalam Derajat pengetahuan
(depth) detail
Validitas Kredibilitas pengetahuan
sebenarnya (face
validity)
Sifat umum Konsistensi saran,
(generality) replikasi parameter sistem
Menguji Basis Pengetahuan
(lanjutan 2)

Ukuran (kriteria) Penjelasan


Ketepatan Liputan dalam basis
(precision) pengetahuan
Realisme Kemiripan dengan
realitas
Keandalan Bagian sistem pakar
(reliability) yang benar secara
empiris
Kecakapan Sesitivitas kesimpulan
(robustness) terhadap struktur model
Menguji Basis Pengetahuan
(lanjutan 3)

Ukuran (kriteria) Penjelasan


Sensitivitas Dampak perubahan basis
penget. thd output
Validitas teknis Kebaikan asumsi, konteks,
dan operasional konstrain, kondisi, dan
dampaknya thd ukuran yg
sebenarnya

Uji Turing Kemampuan evaluator thd


kesimpulan
Menguji Basis Pengetahuan
(lanjutan 4)

Ukuran (kriteria) Penjelasan

Kegunaan Seberapa cukup memecah


(usefulness) -kan masalah

Validitas Kemampuan BP untuk


menghasilkan prediksi
yang benar secara empiris
Sampai Jumpa
di
Pertemuan V

Selamat Belajar