Supardianto, M. Kom
SISTEM PAKAR (Expert System)
Sistem Pakar merupakan kumpulan pengetahuan (basis
pengetahuan) dari beberapa pakan yang digunakan untuk
memecahkan suatu masalah
Pada sistem pakar digunakan representasi pengetahuan berupa
RULE (IF.. THEN), sehingga suatu sistem pakar merupakan
kumpulan dari beberapa RULE
Beberapa aplikasi sistem pakar :
Interpreting and identifying
Instructing and training
Predicting
Controlling
Diagnosing
Monitoring
Designing
Planning
Debugging and testing
Keuntungan Sistem Pakar
Memungkinkan orang awam mengerjakan pekerjaan
para ahli
Bisa melakukan proses secara berulang secara otomatis
Menyimpan pengetahuan dan keahlian para pakar
(khususnya untuk pengetahuan yg langka)
Mampu mengambil dan melestarikan keahlian pakar
Memasukkan faktor ketidakpastian
Menghemat waktu dalam mengambil keputusan
Kelemahan sistem pakar
Sistem pakar biasanya dipakai hanya pada bidang
tertentu sesuai dengan kepakaran
Penambahan pengetahuan baru bisa mengubah program
secara keseluruhan
Kepastian dalam sistem pakar hanya berupa pendekatan
saja.
Sistem Pakar dapat diorganisasikan menjadi
Inference
Engine
Users Expert
Working Knowledge
Memory Base
A. Pemodelan Basis Pengetahuan
(Knowledge Base)
Jaringan Semantik
Frame
Script
Rule If-then
Logika Predikat
Jaringan Semantik
Merupakan gambaran pengetahuan yang dimodelkan
secara grafis yang menunjukkan hubungan antar obyek
Obyek digambarkan dengan lingkaran, obyek bisa
berupa peristiwa ataupun fakta. Hubungan antar obyek
dinyatakan dengan garis:
Contoh relasi obyek:
Mesin dibuat di toko, mesin menghasilkan gear
dibuat
Mesin Toko
me
ngh
a si l
kan Gear
Semantic Network
Operator Scrap
Error
Caused by
20
number is Needs
Part Quality
is a Inspection
has Condition is
Teeth Gear
Generated by
Good
Requires
Shipping
Pohon Keputusan
Merupakan jaringan semantik khusus yang penalarannya
dimulai dari atas puncak
Contoh :
- Tabel pencocokan/Keputusan
- Tabel kesamaan
- Tabel perbedaan
Contoh Frame
Gear
Teet Number 20
Assembly Rotor
Production Method Cutting
Delivery Date 9/2/03
Script
Representasi pengetahuan yang berupa skenario atau
urutan kejadian
Komponen script:
- Kondisi masukan
- Hasil yang diinginkan
- Aturan
- Urutan peristiwa
Contoh Script:
- Prosedur mematikan Proyektor Komputer
- Skenario film
Rule
Rule (Kaidah) dinyatakan dalam bentuk perintah If-
Then:
A
y t
B C t
y t
y y H
D E
y t y
t
F t G I t
y y t y t
K L M N
LOGIKA PREDIKAT
OAV triplet
RULE : RULE :
1 IF LESSE-CREDIT = POOR 1 IF ACQUIRE-BY=PURCHASE
THEN CANNOT-BORROW THEN FINANCE-IT (calculation)
AND ACQUIRE=LEASE 2 IF ACQUIRE-BY=LEASE
2 IF CANNOT-BORROW OR PRESERVES-CASH THEN FINANCE-IT (calculation)
THEN HOW-T0-ACQUIRE BY = LEASE 3 IF FINANCE-IT IS KNOWN
3 IF LESSE-CREDIT=FAIR THEN PAYMENT = (external calculation)
AND LESSEE-CASH = FAIR
AND CASH-RESERVE-NEEDED
THEN PRESERVE-CASH
4 IF HOW-TO-ACQUIRE IS NOTKNOWN
THEN HOW-TO-AQUIRE=BUY
BUY-THE-ASSET
GOAL GOAL :
HOW-TO-ACQUIRE, PAYMENT FINANCE-IT
Logika Predikat
Logika predikat dikembangkan dari propositional logic
Logika propositional
Suatu kalimat logika ini terdiri dari beberapa atomic
proposition yang dihubungkan menggunakan logical
connectivity
Misal Proposition P: Alison suka wafel
Propositin Q: Alison makan wafel maka:
Suatu kalimat logika predikat dapat juga dinyatakan menggunakan quantifier
( dan )
X burung(X) yang tidak bisa terbang
terbang(X)
Terdapat beberapa burung
X(orang(X) Y cinta(X,Y))
Setiap orang memiliki sesuatu yang dicintai
Latihan :
X meja(X) jumlah_kakinya(X,4)
Terdapat beberapa meja yang jumlah kakinya tidak 4
X (macintosh(X) betul-betul_komputer(X))
Jika sesuatu benda adalah macintosh maka benda itu bukan betul-betul
komputer
X kue_creepes(X) (rasa(X,manis) rasa(X,pedas))
Semua kue creepes rasanya bisa manis atau pedas
Logika predikat dan frame
B. Inferensi Engine dengan Model Penalaran
Penalaran merupakan proses lanjut dari representasi pengetahuan untuk
menyelesaikan masalah
Sekuensial
Pemrograman yang berurutan
Rekursif
Pemrograman dengan memanggil berulang terhadap
dirinya untuk menentukan kesimpulan sementara.
Kesimpulan sementara diperoleh setelah kesimpulan
terakhir didapat
Contoh : Pemrograman Sekuensial
Ada 2 buah teko masing-masing berkapasitas 4 galon (teko A) dan 3
galon (teko B). Tidak ada tanda yang menunjukkan batas ukuran pada
kedua teko tersebut. Ada sebuah pompa air yang akan digunakan
untuk mengisi air pada kedua teko tersebut.
X Y
Aturan
1: Jika x < 4 maka isi teko A (4,y)
2: Jika y < 3 maka isi teko B (x,3)
3: Jika x > 0 maka tuangkan sebagian air keluar dari teko A (x-d,y)
4: Jika y>0 maka tuangkan sebagian air keluar dari teko B (x,y-d)
5: Jika x > 0 maka kosongkan teko A dengan membuangnya ke tanah
(0,y)
6: Jika y > 0 maka kosongkan teko B dengan membuang airnya ke tanah
7. JIka x+y≥4 dan y >0 maka tuangkan air dari teko B ke teko A sampai
teko A penuh
8. Jika x+y ≥3 dan x>0 tuangkan air dari teko A ke teko B sampai teko B
penuh
9. Jika x+y≥4 dan y >0 tuangkan seluruh air dari teko B ke teko A
10. JIka x+y ≥3 dan x>0 tuangkan seluruh air dari teko A ke teko B
11. Jika (0,2) tuangkan 2 galon air dari teko B ke Teko A
12. JIka (2,y) kosongkan 2 galon air di teko A dengan membuangnya ke
tanah
Solusi
A B C
pindahkan satu keping dari a ke c
pindahkan satu keping dari a ke b
pindahkan satu keping dari c ke b
pindahkan satu keping dari a ke c
pindahkan satu keping dari b ke a
pindahkan satu keping dari b ke c
pindahkan satu keping dari a ke c
Deskripsi AI
IV. Pengaruh Ketidakpastian pada Penalaran
PB
i 1
i A PB PA | B
i 1
i i
B3 B4
B1 B2
A
Bn
B5 Bk
P (T ) P( X | T )
PT | X
P(T ) P ( X | T ) P ( Not T ) P ( X | Not T )
(0,02)(0,90)
0,648
(0,02)(0,9) (0,98)(0,01)
IV. 2. Tabel Keputusan
(Decision table) dan Pohon Keputusan (Decision Tree)
short
0,05 hujan
0,35 unchanged duration (0,0175)
0,65
Tidak hujan decreased duration (0,0325)
Tugas 1
hujan Increased duration (0,1120)
0,35
0,65 unchanged duration (0,2080)
long Tidak hujan
0,32
medium hujan
Tugas 2
0,41 0,35 unchanged duration (0,1435) 1,0
0,65
Tidak hujan decreased duration (0,2665)
short
0,27 hujan decreased duration (0,0945)
0,35
0,65
Tidak hujan decreased duration (0,1755)
0.7 Sangat
Tinggi
0
2.0 3,6 4.0
IPK
Matematika Fuzzy
Misalkan A adalah himpunan obyek pada ruang sampel X.
Didefinisikan X = x1, x2, …, xn
Himpunan A sebagai himpunan Fuzzy dapat dinyatakan dengan kombinasi
linier
A = u1(x1), u2(x2), … , un(xn)
ui adalah derajat keanggotaan xi di dalam A
atau dapat juga dituliskan himpunan A di dalam X
adalah A = {x, ua(x)} , x X
Contoh himpuan Fuzzy untuk A={BAIK}
Derajat
Kekasaran keanggotaan di
Permukaan dalam
(x) himpunan BAIK
ua(x))
1,00 0,95
5,20 0,88
10,50 0,70
… …
35,00 0,10
45,00 0,05
50,00 0,00
Operasi pada himpunan Fuzzy