4 Sistem Pakar

Pengertian Sistem Pakar
Istilah sistem pakar berasal dari istilah knowledge-based

expert system.
Istilah ini muncul karena untuk memecahkan masalah,

sistem pakar menggunakan pengetahuan seorang pakar
yang dimasukkan ke dalam komputer.
Seseorang yang bukan pakar menggunakan sistem pakar

untuk meningkatkan kemampuan pemecahan masalah,
sedangkan seorang pakar menggunakan sistem pakar
untuk knowledge assistant.
Turban (2001, p402)
“Sistem pakar adalah sebuah sistem yang menggunakan
pengetahuan manusia dimana pengetahuan tersebut
dimasukkan ke dalam sebuah komputer dan kemudian
digunakan untuk menyelesaikan masalah-masalah yang
biasanya membutuhkan kepakaran atau keahlian
manusia”.
Jackson (1999, p3)

“Sistem pakar adalah program komputer yang
merepresentasikan dan melakukan penalaran dengan
pengetahuan beberapa pakar untuk memecahkan
masalah atau memberikan saran”.
Jackson (1999, p3)
“Sistem pakar adalah program komputer yang
merepresentasikan dan melakukan penalaran
dengan pengetahuan beberapa pakar untuk
memecahkan masalah atau memberikan saran”.
Luger dan Stubblefield (1993, p308)

“Sistem pakar adalah program yang berbasiskan
pengetahuan yang menyediakan solusi “kualitas
pakar” kepada masalah-masalah dalam bidang
(domain) yang spesifik”.
Manfaat Sistem Pakar
a. Meningkatkan produktivitas.
b. b.Membuat seorang yang awam bekerja seperti layaknya seorang pakar.
c. Meningkatkan kualitas, dengan memberi nasehat yang konsisten dan mengurangi
kesalahan.
d. Mampu menangkap pengetahuan dan kepakaran seseorang.
e. Dapat beroperasi di lingkungan yang berbahaya.
f. Memuahkan akses pengetahuan seorang pakar.
g. Handal. Sistem Pakar tidak pernah menjadi bosan dan kelelahan atau sakit.
h. Meningkatkan kapabilitas sistem komputer. Integrasi Sistem Pakar dengan sistem
komputer lain membuat lebih efektif, dan mencakup lebih banyak aplikasi.
i. Mampu bekerja dengan informasi yang tidak lengkap atau tidak pasti. Berbeda dengan
sistem komputer konvensional, Sistem Pakar dapat bekerja dengan inofrmasi yang
tidak lengkap. Pengguna dapat merespon dengan: “tidak tahu” atau “tidak yakin” pada
satu atau lebih pertanyaan selama konsultasi, dan Sistem Pakar tetap akan memberikan
jawabannya.
j. Bisa digunakan sebagai media pelengkap dalam pelatihan. Pengguna pemula yang
bekerja dengan Sistem Pakar akan menjadi lebih berpengalaman karena adanya
fasilitas penjelas yang berfungsi sebagai guru.
k. Meningkatkan kemampuan untuk menyelesaikan masalah, karena Sistem Pakar
mengambil sumber pengetahuan dari banyak pakar.
Kekurangan Sistem Pakar
Disamping manfaat, ada juga beberapa
kekurangan yang ada pada Sistem Pakar
diantaranya adalah :
1.Biaya yang sangat mahal membuat dan
memeliharanya
2.Sulit di kembangkan karena keterbatasan
keahlian dan ketersediaan pakar
3.Sistem pakar tidak 100% bernilai benar
Ciri-Ciri Sistem Pakar
Ciri-ciri dari Sistem Pakar adalah sebagai berikut :
1. Terbatas pada domain keahlian tertentu.
2. Dapat memberikan penalaran untuk data-data yang tidak
lengkap atau tidak pasti
3. Dapat menjelaskan alasan-alasan dengan cara yang
dapat dipahami.
4. Bekerja berdasarkan kaidah/rule tertentu.
5. Mudah dimodifikasi.
6. Basis Pengetahuan dan mekanisme inferensi terpisah.
7. Keluarannya bersifat anjuran.
8. Sistem dapat mengaktifkan kaidah secara searah yang
sesuai, dituntun oleh dialog dengan pemakai.
Area Permasalahan Aplikasi Sistem Pakar
Biasanya aplikasi Sistem Pakar menyentuh beberapa area permasalahan
berikut :
Interpretasi : Menghasilkan deskripsi situasi berdasarkan data-data

masukan.
Prediksi : Memperkirakan akibat yang mungkin terjadi dari situasi yang

ada.
Diagnosis : Menyimpulkan suatu keadaan berdasarkan gejala-gejala yang

diberikan (symptoms).
Desain : Melakukan perancangan berdasarkan kendala-kendala yang

diberikan.
Planning : Merencanakan tindakan-tindakan yang akan dilakukan.

Area Permasalahan Aplikasi Sistem Pakar
Monitoring : Membandingkan hasil pengamatan dengan
proses perencanaan.
Debugging : Menentukan penyelesaian dari suatu

kesalahan sistem.
Reparasi : Melaksanakan rencana perbaikan.
Instruction : Melakukan instruksi untuk diagnosis,

debugging, dan perbaikan kinerja.
Kontrol : Melakukan kontrol terhadap hasil interpretasi,

diagnosis, debugging, monitoring, dan perbaikan tingkah-
laku sistem.
Konsep Dasar Sistem Pakar
Kepakaran (Expertise)
Kepakaran merupakan suatu pengetahuan yang diperoleh
dari pelatihan, membaca dan pengalaman.
Kepakaran inilah yang memungkinkan para ahli untuk dapat

mengambil keputusan lebih cepat dan lebih baik daripada
seseorang yang bukan pakar.
Kepakaran meliputi pengetahuan tentang :
1. Fakta-fakta tentang bidang permasalahan tertentu.

2. Teori-teori tentang bidang permasalahan tertentu.
3. Aturan-aturan dan prosedur-prosedur menurut bidang
permasalahan umumnya
4. Aturan heuristic yang harus dikerjakan dalam suatu
situasi tertentu
5. Strategi global untuk memecahkan permasalahan.
6. Pengetahuan tentang pengetahuan (meta knowledge)
Pakar (Expert)
Pakar adalah seseorang yang mempunyai
pengetahuan, pengalaman, dan metode khusus,
serta mampu menerapkannya untuk memecahkan
masalah atau memberi nasehat.
Seorang pakar harus mampu menjelaskan dan

mempelajari hal-hal baru yang berkaitan dengan
topik permasalahan, jika perlu harus mampu
menyusun kembali pengetahuan-pengetahuan yang
didapatkan, dan dapat memecahkan aturan-aturan
serta menentukan relevansi kepakarannya.
Jadi seseorang pakar harus mampu melakukan kegiatan-
kegiatan berikut:
1. Mengenali dan memformulasikan permasalahan
2. Memecahkan permasalahan secara cepat dan tepat
3. Menerangkan pemecahannya
4. Belajar dari pengalaman
5. Merestrukturisasi pengetahuan
6. Memecahkan aturan-aturan
7. Menentukan relevansi
Pemindahan Kepakaran (Transferring Expertise)
Tujuan dari Sistem Pakar adalah memindahkan kepakaran

dari seorang pakar ke dalam komputer, kemudian
ditransfer kepada orang lain yang bukan pakar.
Proses ini melibatkan empat kegiatan, yaitu :

Akuisisi pengetahuan (dari pakar atau sumber lain)
1. Representasi pengetahuan (pada komputer)
2. Inferensi pengetahuan
4.Pemindahan pengetahuan ke user
Inferensi (Inferencing)
Inferensi adalah sebuah prosedur (program) yang
mempunyai kemampuan dalam melakukan penalaran.
Inferensi ditampilkan pada suatu komponen yang disebut

mesin inferensi yang mencakup prosedur-prosedur
mengenai pemecahan masalah.
Semua pengetahuan yang dimiliki oleh seorang pakar

oleh sistem pakar disimpan pada basis pengetahuan.
Tugas mesin inferensi adalah mengambil kesimpulan

berdasarkan basis pengetahuan yang dimilikinya.
Aturan-aturan (Rule)
Kebanyakan software sistem pakar komersial adalah
sistem yang berbasis rule (rule-based systems),
yaitu pengetahuan disimpan terutama dalam bentuk
rule, sebagai prosedur-prosedur pemecahan
masalah.
Kemampuan menjelaskan (Explanation Capability)
Fasilitas lain dari Sistem Pakar adalah kemampuannya
untuk menjelaskan saran atau rekomendasi yang
diberikannya.
Penjelasan dilakukan dalam subsistem yang disebut

subsistem penjelasan (explanation). Bagian dari sistem
ini memungkinkan sistem untuk memeriksa penalaran
yang dibuatnya sendiri dan menjelaskan operasi-
operasinya.
Struktur Sistem Pakar
Akuisisi Pengetahuan
Subsistem ini digunakan untuk memasukkan
pengetahuan dari seorang pakar dengan cara merekayasa
pengetahuan agar bisa diproses oleh komputer dan
menaruhnya kedalam basis pengetahuan dengan format
tertentu (dalam bentuk representasi pengetahuan).
Sumber-sumber pengetahuan bisa diperoleh dari pakar,
buku, dokumen multimedia, basis data, laporan riset
khusus, dan informasi yang terdapat di Web.
Basis Pengetahuan (Knowledge Base)
Basis pengetahuan mengandung pengetahuan yang

diperlukan untuk memahami, memformulasikan dan
menyelesaikan masalah. Basis pengetahuan terdiri
dari dua elemen dasar, yaitu :
1. Fakta, misalnya situasi, kondisi, atau
permasalahan yang ada.
2. Aturan, untuk mengarahkan penggunaan
pengetahuan dalam memecahkan masalah.
Mesin Inferensi (Inference Engine)
Mesin inferensi adalah sebuah program yang

berfungsi untuk memandu proses penalaran
terhadap suatu kondisi berdasarkan pada basis
pengetahuan yang ada, memanipulasi dan
mengarahkan kaidah, model, dan fakta yang
disimpan dalam basis pengetahuan untuk mencapai
solusi atau kesimpulan.
Ada tiga tehnik pengendalian yang digunakan, yaitu
forward chaining, backward chaining, dan gabungan
dari kedua tehnik tersebut.
Forward chaining adalah teknik pencarian yang dimulai

dengan informasi tentang gejala, bukti ataupun fakta,
kemudian sistem pakar akan menganalisa masalah dengan
menggunakan fakta-fakta yang cocok dengan bagian IF dari
rules IF-THEN. Setelah setiap rule diuji, sistem pakar akan
bekerja untuk mencari kesimpulan. Metode pencarian yang
digunakan adalah Depth-First Search (DFS), Breadth-First
Search (BFS) atau Best First Search.
Contoh:
Rule ke
1.IF (Bukan hari minggu) AND (Toyes sehat) THEN (Toyes kuliah)
2. IF (Toyes kuliah) THEN (Sylvi kuliah)
3. IF (Bukan hari minggu) AND (Toyes sakit) THEN (Toyes di

rumah sakit)
4. IF (Bukan hari minggu) THEN (Mahasiswa UDINUS kuliah)
5. IF (Toyes di rumah sakit) AND (Mahasiswa UDINUS kuliah)

THEN (Sylvi kuliah)
Forward chaining
6. IF (Mahasiswa UDINUS kuliah) AND (Toyes sakit)) THEN (Sylvi
tidak kuliah)
7. IF (Toyes kuliah) AND (Sylvi tidak kuliah) THEN (Sylvi sakit)
8. IF (Bukan hari minggu) AND (Sylvi sakit) THEN (Kuliah tidak

libur)
9. IF (Mahasiswa UDINUS kuliah) THEN (Kuliah tidak libur)
10.IF (Kuliah tidak libur) THEN (Toyes belajar di kampus

UDINUS)
Forward chaining
Semula diberikan dua buah fakta berikut :
Hari senin (bukan hari minggu)

Toyes Kuliah
kedua fakta tersebut tersimpan didalam memori kerja.
Ingin dibuktikan apakah fakta :

” Toyes belajar di kampus UDINUS”
dan
” Sylvi tidak kuliah”
bernilai benar.
Forward chaining
Langkah-langkah inferensi forward chaining adalah
sebagai berikut :
Berdasarkan fakta yang ada, system pakar berusaha

menelusuri rule-rule dari bagian IF, yang dimulai dari
rule ke-1 sampai dengan rule ke-10.
Fakta “Toyes Kuliah ”, memicu rule ke-2,

IF (Toyes kuliah) THEN (Sylvi kuliah)
sehingga memori kerja berubah menjadi :
Sylvi kuliah
Hari senin
Toyes Kuliah
Forward chaining
Fakta “ Hari senin” memicu rule ke-4,
IF (Bukan hari minggu) THEN (Mahasiswa UDINUS kuliah)
sehingga memori kerja berubah menjadi
Mahasiswa UDINUS kuliah

Sylvi kuliah
Hari senin
Toyes Kuliah
Forward chaining
Fakta baru “ Mahasiswa UDINUS kuliah” memicu rule ke-9,
IF (Mahasiswa UDINUS kuliah) THEN (Kuliah tidak libur)
sehingga memori kerja berubah menjadi
Kuliah tidak libur

Sylvi kuliah
Hari senin
Toyes Kuliah
Forward chaining
Fakta baru “ Kuliah tidak libur” memicu rule ke-10,
IF (Kuliah tidak libur) THEN (Toyes belajar di kampus UDINUS)
sehingga memori kerja berubah menjadi :
Toyes belajar di kampus UDINUS

Kuliah tidak libur
Sylvi kuliah
Hari senin
Toyes Kuliah
Forward chaining
Sampai disini, fakta-fakta yang ada pada memori kerja
sudah tidak bisa digunakan untuk memicu rule-rule lagi,
sehingga proses pencarian berhenti dan diperoleh
kesimpulan-kesimpulan berupa fakta-fakta yang bernilai
benar yang terdapat dalam memori kerja.
Oleh karena fakta ” Toyes belajar di kampus UDINUS”

terdapat dalam memori kerja, maka terbukti bahwa fakta
” Toyes belajar di kampus UDINUS” bernilai benar.
Sedangkan fakta ” Sylvi tidak kuliah” bernilai salah.
Backward chaining
Backward chaining adalah metode inferensi yang
bekerja mundur ke arah kondisi awal.
Proses diawali dengan sebuah hipotesis (bagian
THEN dari rule IF-THEN) kemudian pencarian mulai
dijalankan untuk menemukan dan membuktikan
kebenaran fakta-fakta yang telah diketahui.
Proses berakhir dengan penerimaan atau penolakan
terhadap hipotesa.
Backward chaining
Langkah-langkah inferensi backward chaining adalah
sebagai berikut :
Berdasarkan hipothesis yang akan dbuktikan, yaitu :
”Toyes belajar di kampus UDINUS”
system pakar berusaha menelusuri rule-rule dari bagian

THEN, yang dimulai dari rule ke-1 sampai dengan rule
ke-10 untuk menemukan fakta baru
” Hari senin” atau ” Toyes Kuliah”.
Backward chaining
Dari rule-rule tersebut, bagian THEN yang sama dengan
hiphotesis
”Toyes belajar di kampus UDINUS”
adalah rule ke-10, yaitu :
sehingga ditemukan hiphotesis baru dibagian IF:
Kuliah tidak libur

Backward chaining
hiphotesis ” Kuliah tidak libur” adalah rule ke-9, yaitu :
“Mahasiswa UDINUS kuliah”

Backward chaining
hiphotesis ” Mahasiswa UDINUS kuliah” adalah rule ke-4,
yaitu :
Bukan hari minggu
Hipothesis baru ini sesuai dengan fakta yang ada, yaitu

”hari senin (Bukan hari minggu)”, jadi terbukti bahwa ”
Toyes belajar di kampus UDINUS ” bernilai benar.
Strategi Penyelesaian Konflik
Apabila ada suatu fakta yang dapat memicu lebih dari
satu rule, maka ada kemungkinan akan terjadi konflik
dalam memori kerja.
Artinya Sistem pakar tidak bisa memilih semua rule
sekaligus, ia harus memutuskan untuk memilih satu
rule.
Dalam melakukan pemilihan, sistem pakar
menggunakan cara-cara untuk memilih rule-rule yang
akan diterapkan apabila terdapat lebih dari satu rule
yang cocok dengan fakta yang terdapat dalam memori
kerja.
Di antaranya adalah:
1. No duplication. Tidak boleh memicu sebuah rule
dua kali menggunakan fakta yang sama, agar tidak
ada fakta yang ditambahkan ke memori kerja lebih
dari sekali.
2. Recency. Dalam memilih rule, harus menggunakan

fakta yang paling baru dalam memori kerja.
3. Specificity. Dalam memicu rule, harus dengan fakta

yang lebih spesifik (khusus)
Contoh 4.1:
Rule 1:
IF (X binatang buas) THEN (X pemakan daging )
Rule 2:
IF (X anjing ) AND (X herder ) THEN (X menjulurkan lidahnya)”
Fakta :
“Molly adalah seekor herder”
maka lebih baik memicu aturan kedua dan menarik

kesimpulan bahwa “Molly menjulurkan lidahnya”.
4. Operation priority.
Pilih aturan dengan prioritas yang lebih tinggi.
Contoh 4.2:
Rule 1:
IF (toyes X) AND (mobil toyes baru) THEN (toyes kuliah
menggunakan mobil)
Rule 2:
IF (toyes X) AND (mobil toyes tidak ada bensinnya) THEN (toyes
beli bensin)
Fakta :
Punya uang
maka kita akan memilih aturan kedua karena lebih tinggi

prioritasnya dan menarik kesimpulan bahwa toyes beli bensin.
Daerah Kerja (Blackboard)
Untuk merekam hasil sementara yang akan dijadikan
sebagai keputusan dan untuk menjelaskan sebuah
masalah yang sedang terjadi, Sistem Pakar
membutuhkan Blackboard yaitu area pada memori
yang berfungsi sebagai basis data.
Tiga tipe keputusan yang dapat direkam pada

blackboard, yaitu :
1. rencana : bagaimana menghadapi masalah
2. agenda : aksi-aksi potensial yang sedang menunggu
untuk dieksekusi
3. solusi : calon aksi yang akan dibangkitkan
Antarmuka Pemakai (User Interface)
Digunakan sebagai media komunikasi antara user dan
Sistem Pakar.
contoh tampilan User Interface untuk system pakar yang

menggunakan 10 rule diatas.
Seorang user ingin membuktikan apakah benar bahwa
Toyes belajar di kampus UDINUS
atau
Toyes belajar di rumahnya Sylvi.
Dialog :
Sistem pakar : Hallo,...... nama kamu siapa ?

User : Rini
Sistem pakar : Terima kasih Rini kamu mau
berkonsultasi kepada kami tentang Toyes ...!
Permata kali sistem pakar memeriksa rule ke-1

IF (Bukan hari minggu) AND (Toyes sehat) THEN (Toyes kuliah)
Dan bertanya dengan pertanyaan berikut :

Sistem pakar : Apakah sekarang hari minggu ?

User : Bukan
Disini diperoleh fakta
” Bukan hari minggu” bernilai benar,
sehingga di memori kerja berisi fakta :
Bukan hari minggu

Sebagai kelanjutan rule ke-1, sistem pakar menanyakan lagi :
Sistem pakar : apakah Toyes sehat ?

User : Ya
Disini diperoleh fakta
” Toyes sehat” bernilai benar,
Toyes sehat
Bukan hari minggu
Karena rule ke-1 dipenuhi maka diperoleh fakta baru
”Toyes kuliah”,
Toyes kuliah
Toyes sehat
Bukan hari minggu
kemudian sistem pakar langsung menuju ke rule-2
IF (Toyes kuliah) THEN (Sylvi kuliah)
yang mengandung fakta ” Toyes kuliah”,
sehingga diperoleh fakta baru ” Sylvi kuliah”, dan di

memori kerja berisi fakta :
Sylvi kuliah
Toyes kuliah
Toyes sehat
Bukan hari minggu:
IF (Bukan hari minggu) AND (Toyes sakit) THEN (Toyes di rumah sakit)
Dan sistem pakar memastikan nilai kebenaran dari

fakta “Toyes sakit”, melalui pertanyaan berikut
Sistem pakar : apakah Toyes sakit ?

User : Tidak
karena fakta ”Toyes sakit” bernilai salah, akibatnya
tidak diperoleh fakta baru.
Karena fakta ” Bukan hari minggu” bernilai benar

maka diperoleh fakta baru

Sehingga di memori kerja berisi fakta-fakta berikut :

Sylvi kuliah
Toyes kuliah
Toyes sehat
Bukan hari minggu
kemudian sistem pakar langsung menuju ke rule-5,
IF (Toyes di rumah sakit) AND (Mahasiswa UDINUS kuliah)

THEN (Sylvi kuliah)
Karena fakta “Toyes di rumah sakit” nilai

kebenarannya belum diketahui (belum ada di dalam
memori kerja), maka sistem pakar bertanya kepada
user,
Sistem pakar: Apakah Toyes berada di rumah sakit ?

User : Tidak
Karena jawaban user ”tidak” maka rule ke-5 tidak menghasilkan
fakta baru, kemudian sistem pakar langsung menuju rule ke-6
IF (Mahasiswa UDINUS kuliah) AND (Toyes sakit) THEN (Sylvi tidak kuliah)
Karena fakta ”Toyes sakit” bernilai salah, maka rule ke-6

tidak menghasilkan fakta baru.
Kemudian sistem pakar menuju ke rule ke-7
IF (Toyes kuliah) AND (Sylvi tidak kuliah) THEN (Sylvi sakit)
Dan menanyakan nilai kebenaran fakta ” Sylvi tidak

kuliah” kepada user melalui pertanyaan berikut :
Sistem pakar : Apakah Sylvi tidak kuliah ?

User : Tidak
Karena fakta” Sylvi tidak kuliah” bernilai salah maka

pada rule ke-7 tidak dihasilkan fakta baru, sehingga
sistem pakar langsung menuju ke rule-8
IF (Bukan hari minggu) AND (Sylvi sakit) THEN (Kuliah tidak libur)
Pada rule ke-8, fakta ” Sylvi sakit” belum diketahui

nilai kebenarannya, sehingga sistem pakar bertanya
lagi pada user,
Sistem pakar : apakah Sylvi sakit ?
User : Ya
Berdasarkan jawaban user, diperoleh fakta baru ”Kuliah

tidak libur” bernilai benar, kemudian sistem pakar
langsung menuju ke rule ke-9
kemudian sistem pakar langsung menuju ke rule ke-10

Berdasarkan fakta ” Kuliah tidak libur ” dan rule ke-10,
diperoleh fakta baru
” Toyes belajar di kampus UDINUS”.
Jadi terbukti bahwa

” Toyes belajar di kampus UDINUS” bernilai benar,
dan sistem pakar memberikan jawaban dari hasil

inferensinya sebagai berikut :
Sistem Pakar : Hallo Rini,... hasil inferensi kami

menyatakan bahwa sekarang ” Toyes sedang belajar di
kampus UDINUS”, jangan diganggu ya...?
Subsistem Penjelasan (Explanation Subsystem / Justifier)
Kemampuan untuk menelusuri bagaimana suatu kesimpulan

dapat diambil.
Kemampuan seperti ini sangat penting bagi user untuk
mengetahui proses pemindahan keahlian pakar maupun
dalam pemecahan masalah.
Untuk memahami kerja dari subsistem penjelasan,
perhatikan contoh berikut,
Subsistem Penjelasan (Explanation Subsystem / Justifier
Dialog :
Sistem pakar : Hallo,...... nama kamu siapa ?
User : Rini
Sistem pakar : Terima kasih Rini kamu mau

berkonsultasi kepada kami tentang Toyes ...!

User : Mengapa anda tanyakan ?
User ingin penjelasan dari

sistem pakar.
Sistem pakar: hal ini penting untuk inferensi pada rule ke-
1, 3, 4, dan 8 yaitu
1. IF (Bukan hari minggu) AND (Toyes sehat) THEN (Toyes kuliah)
3. IF (Bukan hari minggu) AND (Toyes sakit) THEN (Toyes di rumah sakit)
4. IF (Bukan hari minggu) THEN (Mahasiswa UDINUS kuliah)
8. IF (Bukan hari minggu) AND (Sylvi sakit) THEN (Kuliah tidak libur)

User : Bukan
Sistem pakar : apakah Toyes sehat ?

User : Ya
Sistem pakar : Apakah Toyes sakit ?

User : Tidak
Sistem pakar : Apakah Toyes di rumah sakit ?

User : Tidak

User : Mengapa anda tanyakan ?
User ingin penjelasan dari sistem pakar

mengapa bertanya tentang keadaan Sylvi.
Sistem pakar : kami butuh nilai kebenaran dari

fakta ” Sylvi sakit” untuk menyimpulkan bahwa fakta
”Kuliah tidak libur” bernilai benar atau salah.
Hal ini berkaitan dengan rule ke-8 pada basis

penegetahuan kami.

User : Tidak
Sistem Pakar : Hallo Rini,... hasil inferensi kami

menyatakan bahwa sekarang ” Toyes sedang belajar di
kampus UDINUS”, jangan diganggu ya...?
Sistem Perbaikan Pengetahuan
Kemampuan memperbaiki pengetahuan (knowledge
refining system) dari seorang pakar diperlukan untuk
menganalisis pengetahuan, belajar dari kesalahan
masa lalu, kemudian memperbaiki pengetahuannya
sehingga dapat dipakai pada masa mendatang.
Kemampuan evaluasi diri seperti itu diperlukan oleh
program agar dapat menganalisis alasan-alasan
kesuksesan dan kegagalannya dalam mengambil
kesimpulan. Dengan cara begini akan dihasilkan
basis pengetahuan yang lebih baik dan penalaran
yang lebih efektif.
Rule ke-1 :

User : Tidak
Sistem pakar : Apakah Toyes sehat ?
User : Ya
Rule ke-3
IF (Bukan hari minggu) AND (Toyes sakit) THEN (Toyes di rumah sakit)
Sistem pakar : Apakah Toyes sakit ?

User : Ya
Tampak bahwa user menjawab pertanyaan secara
kontradiksi.
Hal ini bisa menimbulkan kesalahan penarikan
kesimpulan.
Karena itu, saat terjadi jawaban yang kontradiktif,
subsistem perbaikan pengetahuan harus dapat
mendeteksi dan memperbaiki basis pengetahuan yang
dimiliki sistem pakar agar dihasilkan basis pengetahuan
yang lebih baik dan penalaran yang lebih efektif.
kedua fakta ini cukup ditulis sekali saja, misalnya :
Rule ke-1
Rule ke-2
IF (Bukan hari minggu) AND NOT (Toyes sehat) THEN (Toyes di rumah sakit)
Sehingga system pakar cukup sekali saja dalam bertanya

kepada user, yaitu
Sistem pakar : Apakah Toyes sehat ?

User : Ya
Pemakai (User)
Pada umumnya pemakai sistem pakar bukanlah

seorang pakar (non-expert) yang membutuhkan
solusi dari berbagai permasalahan yang ada,
saran atau pelatihan (training).
Membangun Sistem Pakar
A. Mendefinisikan masalah
B. Pengembangan Sistem Pakar
C. Pemeliharaan dan Evolusi (Maintenance &
Evolution)
D. Kesalahan Yang Mungkin Terjadi
E. Partisipan Dalam Proses Pembuatan Sistem
Pakar
Faktor Kepastian (Certainty Factors)
Certainty Factor (CF) menyatakan kepercayaan dalam sebuah
kejadian atau fakta atau hipotesa berbasis pada bukti atau
penilaian pakar.
CF dihitung menggunakan metode ‘Net Belief”,

yaitu menghitung probabilitas tingkat keyakinan dan
ketidakyakinan pakar akan terjadinya sebuah hipotesa akibat
dari sebuah fakta (evidence).
Cara lain untuk menentukan nilai CF adalah dengan menggali

langsung dari hasil wawancara dengan pakar atau dengan
menanyakan langsung keyakinan pakar terhadap sebuah rule.
Secara umum, rule direpresentasikan dalam bentuk sebagai
berikut:
IF E1 [AND / OR] E2 [AND / OR] … En THEN H (CF = CFi)
dimana:
E1 ... En : Fakta-fakta (evidence) yang ada.
H : Hipotesa atau konklusi yang dihasilkan.
CF : Tingkat keyakinan terjadinya hipotesa H akibat adanya falta-
fakta E1 …. En .
Contoh 4.4:
Pakar:
“Bila batuk dan panas dan demam, maka ‘kemungkinan besar’
penyakitnya adalah influenza”
Rule:
IF (gejala1 = batuk) AND (gejala2 = panas) AND (gejala3 =
demam) THEN (penyakit = influenza) (CF = 0.8)
Notasi Faktor Kepastian:
CF[h,e] = MB[h,e] – MD[h,e]
dengan:
CF[h,e] = Certainty Factor (faktor kepastian) terhadap hipotesis
h, jika diberikan evidence e
MB[h,e] =Measure of Belief (ukuran kepercayaan) terhadap

hipotesis h, jika diberikan evidence e (antara 0 dan 1).
MD[h,e] = Measure of Disbelief (ukuran ketidakpercayaan)

terhadap hipotesis h, jika diberikan evidence e (antara 0 dan 1).
Ada 3 hal yang mungkin terjadi:
1. CF dari suatu hipotesis dihitung dari kombinasi

beberapa evidence (fakta). Jika e1 dan e2 adalah fakta-
fakta, maka:
 0 MD[h, e1  e2 ]  1
MB[h, e1  e2 ]  
MB[h, e1 ]  MB[h, e2 ].(1  MB[h, e1 ]) lainnya
 0 MB[h, e1  e2 ]  1
MD[h, e1  e2 ]  
MD[h, e1]  MD[h, e2 ].(1  MD[h, e1]) lainnya
Contoh 4.5:
Dyla menderita gatal-gatal di wajahnya. Dokter memperkirakan
bahwa Dyla menderita gatal-gatal karena terkena bulu ulat dengan
kepercayaan, MB[Bulu,Gatal] = 0,80 dan MD[Bulu,Gatal] = 0,01.
Maka:
CF[Bulu, Gatal] = MB[Bulu,Gatal] - MD[Bulu,Gatal]

= 0,80 – 0,01
= 0,79.
Jika ada fakta baru yang menyatakan bahwa Dyla juga demam
dengan kepercayaan, MB[Bulu,Demam] = 0,7 dan
MD[Bulu, Demam] = 0,08; maka
MB[Bulu, Gatal  Demam]= 0,8 + 0,7 * (1-0,8) = 0,94
MD[Bulu, Gatal  Demam]= 0,01 + 0,08 * (1-0,01)= 0,0892
CF[Bulu, Gatal  Demam]=0,94 – 0,0892 = 0,8508
2. CF dihitung dari kombinasi beberapa hipotesis. Jika

h1 dan h2 adalah hipotesis, maka:
MB[ h1  h2 , e]  min( MB[ h1 , e], MB[ h2 , e])
MB[ h1  h2 , e]  max( MB[ h1 , e], MB[ h2 , e])
MD[ h1  h2 , e]  min( MD[ h1 , e], MD[ h2 , e])

MD[ h1  h2 , e]  max( MD[ h1 , e], MD[ h2 , e])
Contoh 4.6:
Dyla menderita gatal-gatal di wajahnya. Dokter
memperkirakan Dyla terkena bulu ulat dengan
kepercayaan, MB[Bulu,GAtal] = 0,80 dan
MD[Bulu,Gatal] = 0,01. Maka:
CF[Bulu,Gatal] = 0,80 – 0,01 = 0,79.
Jika fakta tersebut juga memberikan kepercayaan bahwa

Dyla mungkin juga terkena alergi dengan kepercayaan,
MB[Alergi,Gatal] = 0,4 dan MD[Alergi,Gatal] = 0,3;
maka:
CF[Alergi,Gatal] = 0,4 – 0,3 = 0,1.

Untuk mencari CF[Bulu  Alergi, Gatal] dapat diperoleh dari:
MB[Bulu  Alergi, Gatal] = min(0,8; 0,4) = 0,4

MD[Bulu  Alergi, Gatal] = min(0,01; 0,3) = 0,01
CF[Bulu  Alergi, Gatal] = 0,4 – 0,01 = 0,39
Untuk mencari CF[Bulu  Alergi, Gatal] dapat diperoleh dari:
MB[Bulu  Alergi, Gatal] = max(0,8; 0,4) = 0,8

MD[Bulu  Alergi, Gatal] = max(0,01; 0,3) = 0,3
CF[Bulu  Alergi, Gatal] = 0,8 – 0,3 = 0,5
Beberapa aturan saling bergandengan, ketidakpastian

dari suatu aturan menjadi input untuk aturan yang
lainnya, maka:
MB[h,s] = MB’[h,s] * max(0,CF[s,e])
Dengan MB’[h,s] adalah ukuran kepercayaan h

berdasarkan keyakinan penuh terhadap validitas s.
Contoh 4.7:
Rule : 1
IF (terjadi penebangan pohon secara liar) THEN muncul banjir
( CF[Banjir, Penebangan] = 0,9 )
Rule : 2
IF muncul banjir THEN muncul pemanasan global
( MB[Pemanasan,Banjir] = 0,7 )
Maka:
MB[Pemanasan,Banjir] = (0,7)*(0,9)= 0,63

Kelebihan metode Certainty Factors adalah:
1.Metode ini cocok dipakai dalam sistem pakar yang mengandung
ketidakpastian.
2.Dalam sekali proses perhitungan hanya dapat mengolah 2 data

saja sehingga keakuratan data dapat terjaga.
Kekurangan metode Certainty Factors adalah:

1. Pemodelan ketidakpastian yang menggunakan perhitungan
metode certainty factors biasanya masih diperdebatkan.
2. Untuk data lebih dari 2 buah, harus dilakukan beberapa kali
pengolahan data.

Bahasa

4 Sistem Pakar

Diunggah oleh

Informasi Dokumen

Hak Cipta

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

4 Sistem Pakar

Diunggah oleh

Hak Cipta:

Pengertian Sistem Pakar

Istilah sistem pakar berasal dari istilah knowledge-based

Istilah ini muncul karena untuk memecahkan masalah,

Seseorang yang bukan pakar menggunakan sistem pakar

Jackson (1999, p3)

Luger dan Stubblefield (1993, p308)

Interpretasi : Menghasilkan deskripsi situasi berdasarkan data-data

Prediksi : Memperkirakan akibat yang mungkin terjadi dari situasi yang

Diagnosis : Menyimpulkan suatu keadaan berdasarkan gejala-gejala yang

Desain : Melakukan perancangan berdasarkan kendala-kendala yang

Planning : Merencanakan tindakan-tindakan yang akan dilakukan.

Debugging : Menentukan penyelesaian dari suatu

Reparasi : Melaksanakan rencana perbaikan.

Instruction : Melakukan instruksi untuk diagnosis,

Kontrol : Melakukan kontrol terhadap hasil interpretasi,

Kepakaran inilah yang memungkinkan para ahli untuk dapat

Kepakaran meliputi pengetahuan tentang :

1. Fakta-fakta tentang bidang permasalahan tertentu.

Seorang pakar harus mampu menjelaskan dan

Tujuan dari Sistem Pakar adalah memindahkan kepakaran

Proses ini melibatkan empat kegiatan, yaitu :

Inferensi ditampilkan pada suatu komponen yang disebut

Semua pengetahuan yang dimiliki oleh seorang pakar

Tugas mesin inferensi adalah mengambil kesimpulan

Penjelasan dilakukan dalam subsistem yang disebut

Basis pengetahuan mengandung pengetahuan yang

Mesin inferensi adalah sebuah program yang

Forward chaining adalah teknik pencarian yang dimulai

2. IF (Toyes kuliah) THEN (Sylvi kuliah)

3. IF (Bukan hari minggu) AND (Toyes sakit) THEN (Toyes di

4. IF (Bukan hari minggu) THEN (Mahasiswa UDINUS kuliah)

5. IF (Toyes di rumah sakit) AND (Mahasiswa UDINUS kuliah)

7. IF (Toyes kuliah) AND (Sylvi tidak kuliah) THEN (Sylvi sakit)

8. IF (Bukan hari minggu) AND (Sylvi sakit) THEN (Kuliah tidak

9. IF (Mahasiswa UDINUS kuliah) THEN (Kuliah tidak libur)

10.IF (Kuliah tidak libur) THEN (Toyes belajar di kampus

Hari senin (bukan hari minggu)

kedua fakta tersebut tersimpan didalam memori kerja.

Ingin dibuktikan apakah fakta :

Berdasarkan fakta yang ada, system pakar berusaha

Fakta “Toyes Kuliah ”, memicu rule ke-2,

IF (Bukan hari minggu) THEN (Mahasiswa UDINUS kuliah)

sehingga memori kerja berubah menjadi

Mahasiswa UDINUS kuliah

IF (Mahasiswa UDINUS kuliah) THEN (Kuliah tidak libur)

sehingga memori kerja berubah menjadi

Kuliah tidak libur

IF (Kuliah tidak libur) THEN (Toyes belajar di kampus UDINUS)

sehingga memori kerja berubah menjadi :

Toyes belajar di kampus UDINUS

Oleh karena fakta ” Toyes belajar di kampus UDINUS”

”Toyes belajar di kampus UDINUS”

system pakar berusaha menelusuri rule-rule dari bagian

”Toyes belajar di kampus UDINUS”

adalah rule ke-10, yaitu :

IF (Kuliah tidak libur) THEN (Toyes belajar di kampus UDINUS)

sehingga ditemukan hiphotesis baru dibagian IF:

Kuliah tidak libur

IF (Mahasiswa UDINUS kuliah) THEN (Kuliah tidak libur)

sehingga ditemukan hiphotesis baru dibagian IF:

“Mahasiswa UDINUS kuliah”

IF (Bukan hari minggu) THEN (Mahasiswa UDINUS kuliah)

sehingga ditemukan hiphotesis baru dibagian IF:

Bukan hari minggu

Hipothesis baru ini sesuai dengan fakta yang ada, yaitu

2. Recency. Dalam memilih rule, harus menggunakan