03 - Struktur Sistem Pakar

Lab.
Komputasi dan Sistem Agroindustri

TIP FTP UB Struktur Sistem Pakar Berbasis Pengetahaun
STRUKTUR SISTEM
PAKAR
Pert ke 3
USF 3/7/2023 1
Lab. Komputasi dan Sistem Agroindustri
Struktur Sistem Pakar Berbasis Pengetahuan
• Pada awal 1970-an, Newell dan Simon dari Carnegie-Mellon University

mengusulkan model sistem produksi, dasar dari sistem pakar berbasis
aturan modern (Newell dan Simon, 1972).
• Model produksi didasarkan pada gagasan bahwa manusia memecahkan
masalah dengan menerapkan pengetahuan mereka (dinyatakan sebagai
aturan produksi) pada masalah tertentu yang diwakili oleh informasi
khusus masalah.
• Aturan produksi disimpan dalam memori jangka panjang dan informasi
atau fakta khusus masalah dalam memori jangka pendek.
• Model sistem produksi dan struktur dasar sistem pakar berbasis aturan
ditunjukkan pada Gambar 2.2.
USF 3/7/2023 2
USF 3/7/2023 3
Sistem pakar berbasis aturan memiliki lima komponen: basis
pengetahuan, basis data, mesin inferensi, fasilitas penjelasan, dan
antarmuka pengguna.
• Basis pengetahuan berisi pengetahuan domain yang berguna untuk
pemecahan masalah. Dalam sistem pakar berbasis aturan, pengetahuan
direpresentasikan sebagai seperangkat aturan. Setiap aturan menentukan
relasi, rekomendasi, arahan, strategi atau heuristik dan memiliki struktur IF
(condition) THEN (action). Ketika kondisi bagian dari sebuah aturan
terpenuhi, aturan tersebut dikatakan menyala dan bagian tindakan
dijalankan.
• Basis data mencakup sekumpulan fakta yang digunakan untuk mencocokkan
dengan bagian IF (kondisi) dari aturan yang disimpan di basis pengetahuan.
• Mesin inferensi menjalankan penalaran di mana sistem pakar mencapai
solusi. Ini menghubungkan aturan yang diberikan dalam basis pengetahuan
dengan fakta-fakta yang disediakan dalam database.
USF 3/7/2023 4
• Mesin inferensi menjalankan penalaran di mana sistem pakar mencapai

solusi. Ini menghubungkan aturan yang diberikan dalam basis
pengetahuan dengan fakta-fakta yang disediakan dalam database.
• Fasilitas penjelasan memungkinkan pengguna untuk menanyakan
sistem pakar bagaimana kesimpulan tertentu dicapai dan fakta spesifik
apa yang diperlukan. Sistem pakar harus mampu menjelaskan
alasannya dan membenarkan saran, analisis, atau kesimpulannya.
• Antarmuka pengguna adalah sarana komunikasi antara pengguna yang
mencari solusi untuk masalah dan sistem pakar. Komunikasi harus
bermakna dan seramah mungkin.
USF 3/7/2023 5
Kelima komponen ini penting untuk sistem pakar berbasis aturan. Mereka
merupakan intinya, tetapi mungkin ada beberapa komponen tambahan.
• 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 aturan ditunjukkan pada Gambar 2.3.
• Antarmuka pengembang biasanya mencakup editor basis pengetahuan, alat
bantu debugging, dan fasilitas input / output.
• Semua shell sistem pakar menyediakan editor teks sederhana untuk
memasukkan dan mengubah aturan, dan untuk memeriksa format dan ejaan
yang benar. Banyak sistem pakar juga menyertakan fasilitas pembukuan untuk
memantau perubahan yang dibuat oleh insinyur atau pakar pengetahuan
tersebut. Jika aturan diubah, editor akan secara otomatis menyimpan tanggal
perubahan dan nama orang yang membuat perubahan ini untuk referensi nanti.
USF 3/7/2023 6
USF 3/7/2023 7
Forward chaining and backward chaining inference

techniques
• Dalam sistem pakar berbasis aturan, pengetahuan domain diwakili oleh
seperangkat aturan produksi IF-THEN dan data diwakili oleh sekumpulan
fakta tentang situasi saat ini.
• Mesin inferensi membandingkan setiap aturan yang disimpan dalam basis
pengetahuan dengan fakta yang terdapat dalam basis data.
• Jika bagian IF (kondisi) dari aturan cocok dengan fakta, aturan tersebut akan
diaktifkan dan bagian THEN (tindakan) akan dijalankan.
• Aturan yang diaktifkan (fired) dapat mengubah kumpulan fakta dengan
menambahkan fakta baru, seperti yang ditunjukkan pada Gambar 2.4.
• Huruf dalam database dan basis pengetahuan digunakan untuk
merepresentasikan situasi atau konsep.
USF 3/7/2023 8
USF 3/7/2023 9
Forward chaining and backward chaining inference

techniques
• Pencocokan aturan bagian IF dengan fakta menghasilkan

rantai inferensi. Rantai inferensi menunjukkan bagaimana
sistem pakar menerapkan aturan untuk mencapai
kesimpulan.
• Untuk mengilustrasikan teknik inferensi berantai,
pertimbangkan contoh sederhana.
USF 3/7/2023 10
Misalkan database awalnya mencakup fakta A, B, C, D,

dan E, dan basis pengetahuan hanya berisi tiga aturan:
Rule 2: IF X benar
Rule 1: IF Y benar AND B benar
AND D benar AND E benar
THEN Z benar THEN Y benar
Rule 3: IF A Benar
THEN X Benar
USF 3/7/2023 11
USF 3/7/2023 12
• Rantai kesimpulan yang ditunjukkan pada Gambar 2.5

menunjukkan bagaimana sistem pakar menerapkan
aturan untuk menyimpulkan fakta Z.
• Pertama Rule 3 dijalankan (fired) untuk menyimpulkan
fakta baru X dari fakta yang diberikan A.
• Kemudian Rule 2 dijalankan untuk menyimpulkan fakta
Y dari fakta yang awalnya diketahui B dan E, dan fakta
yang sudah diketahui X.
• Dan akhirnya, Rule 1 menerapkan fakta D yang
awalnya diketahui dan fakta Y yang baru diperoleh
untuk sampai pada kesimpulan Z.
USF 3/7/2023 13
• 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

dijalankan. Ada dua cara utama di mana aturan dijalankan.
Satu disebut rantai maju dan rantai mundur lainnya
(Waterman dan Hayes-Roth, 1978).
USF 3/7/2023 14
Forward chaining (Rantai Maju)

• Contoh yang dibahas di atas menggunakan rantai maju. Sekarang pertimbangkan
teknik ini secara lebih rinci. Mari kita tulis ulang aturan kita dalam bentuk berikut:
Rule 1: Y & D -> Z

Rule 2: X & B & E -> Y
Rule 3: A -> X
• Panah di sini menunjukkan bagian IF dan THEN dari aturan. Mari kita juga
menambahkan dua aturan lagi:
Rule 4: C -> L
Rule 5: L & M -> N
USF 3/7/2023 15
Forward chaining (Rantai Maju)

• Gambar 2.6 menunjukkan bagaimana rangkaian maju bekerja untuk
seperangkat aturan sederhana ini.
• Perangkaian maju adalah penalaran berdasarkan data. Penalarannya
dimulai dari data yang diketahui dan dilanjutkan dengan data itu.
Setiap kali hanya aturan paling atas yang dijalankan. Saat diaktifkan,
aturan tersebut menambahkan fakta baru dalam database. Aturan
apa pun hanya dapat dijalankan satu kali.
• Siklus cocok-nyala(aktif) berhenti ketika tidak ada aturan lebih lanjut
yang dapat diaktifkan.
USF 3/7/2023 16
Rantai Maju
USF 3/7/2023 17
Rantai Maju
• Pada siklus pertama, hanya ada dua aturan, Aturan 3: A → X dan Aturan 4: C → L, yang
cocok dengan fakta di database. Aturan 3: A → X diaktifkan lebih dulu sebagai yang paling
atas.
• Bagian IF dari aturan ini cocok dengan fakta A dalam database, bagian THEN-nya dijalankan
dan fakta X baru ditambahkan ke database. Kemudian Aturan 4: C → L diaktifkan dan fakta
L juga ditempatkan di database.
• Dalam siklus kedua, Aturan 2: X & B & E → Y diaktifkan karena fakta B, E dan X sudah ada
di database, dan sebagai konsekuensinya fakta Y disimpulkan dan dimasukkan ke database.
• Hal ini pada gilirannya menyebabkan Aturan 1: Y & D → Z dijalankan, menempatkan fakta Z
dalam database (siklus 3).
• Sekarang siklus pencocokan-pengaktifan berhenti karena bagian IF dari Aturan 5: L & M →
N tidak cocok dengan semua fakta dalam database dan karenanya Aturan 5 tidak dapat
diaktifkan.
USF 3/7/2023 18
Backward chaining
• Rantai mundur adalah penalaran yang digerakkan oleh tujuan. 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 THEN
(tindakan). Jika aturan seperti itu ditemukan dan bagian IF (kondisi) cocok dengan data
dalam database, maka aturan tersebut akan dijalankan dan tujuannya terbukti.
• Namun, ini jarang terjadi. Dengan demikian mesin inferensi mengesampingkan aturan
yang digunakannya (aturan tersebut dikatakan menumpuk) dan menetapkan tujuan
baru, sub-tujuan, untuk membuktikan bagian IF dari aturan ini.
• Kemudian basis pengetahuan dicari lagi aturan-aturan yang dapat membuktikan sub-
tujuan. Mesin inferensi mengulangi proses menumpuk aturan sampai tidak ada aturan
yang ditemukan di basis pengetahuan untuk membuktikan sub-tujuan saat ini.
USF 3/7/2023 19
USF 3/7/2023 20
USF 3/7/2023 21
Backward chaining
• Dalam Pass 1, mesin inferensi mencoba menyimpulkan fakta Z. Ia
mencari basis pengetahuan untuk menemukan aturan yang memiliki
tujuan, dalam kasus ini fakta Z, di bagian THEN-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 ini harus ditetapkan.
USF 3/7/2023 22
Backward chaining
• Dalam Pass 2, mesin inferensi menyiapkan sub-tujuan, fakta Y, dan
mencoba untuk menentukannya. Pertama, ia memeriksa database,
tetapi fakta Y tidak ada. Kemudian basis pengetahuan dicari lagi
aturannya dengan fakta Y di bagian THEN. 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 ini juga harus ditetapkan.
• Dalam Pass 3, mesin inferensi membuat sub-tujuan baru, fakta X. Ia
memeriksa database untuk fakta X, dan ketika gagal, mencari aturan
yang menyimpulkan X. Mesin inferensi menemukan dan menyusun
Aturan 3: A → X. Sekarang harus ditentukan fakta A.
• Dalam Pass 4, mesin inferensi menemukan fakta A dalam database,
Aturan 3: A → X diaktifkan dan fakta baru X disimpulkan.
USF 3/7/2023 23
Backward chaining
• Dalam 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 ada dalam database dan dengan demikian
Aturan 2 diaktifkan dan fakta baru, fakta Y, ditambahkan ke
database.
• Di Pass 6, sistem kembali ke Aturan 1: Y & D → Z mencoba
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.
USF 3/7/2023 24
• Bagaimana kita memilih antara rangkaian maju

dan mundur?
• Bisakah kita menggabungkan rantai maju dan
mundur?
USF 3/7/2023 25
• Jawabannya adalah mempelajari bagaimana pakar domain memecahkan masalah.

Jika seorang ahli pertama-tama perlu mengumpulkan beberapa informasi dan
kemudian mencoba untuk menyimpulkan darinya apa pun yang dapat
disimpulkan, pilih mesin inferensi rantai maju. Namun, jika pakar Anda memulai
dengan solusi hipotetis dan kemudian mencoba menemukan fakta untuk
membuktikannya, pilih mesin inferensi rantai mundur.
• Rantai maju adalah cara alami untuk merancang sistem pakar untuk analisis dan
interpretasi. Misalnya, DENDRAL, sistem pakar untuk menentukan struktur
molekul tanah yang tidak diketahui berdasarkan data spektral massanya
(Feigenbaum et al., 1971), menggunakan rantai maju. Kebanyakan sistem pakar
rantai mundur digunakan untuk tujuan diagnostik. Misalnya, MYCIN, sistem pakar
medis untuk mendiagnosis penyakit darah menular (Shortliffe, 1976),
menggunakan rantai mundur.
USF 3/7/2023 26
• Banyak paket sistem pakar menggunakan kombinasi teknik inferensi

rantai maju dan mundur, sehingga insinyur pengetahuan tidak harus
memilih di antara keduanya. Namun, mekanisme inferensi dasar
biasanya adalah rantai mundur. Hanya ketika fakta baru ditetapkan,
rangkaian ke depan digunakan untuk memaksimalkan penggunaan
data baru.
USF 3/7/2023 27
CONTOH MEDIA ADVISOR

• Untuk mengilustrasikan beberapa ide yang dibahas di atas, selanjutnya kita
mempertimbangkan sistem pakar berbasis aturan sederhana. Paket sistem pakar
Leonardo dipilih sebagai alat untuk membangun sistem pendukung keputusan yang
disebut MEDIA ADVISOR. Sistem memberikan saran dalam memilih media untuk
menyampaikan program pelatihan berdasarkan pekerjaan peserta pelatihan. Misalnya,
jika peserta pelatihan adalah teknisi mekanik yang bertanggung jawab untuk memelihara
sistem hidrolik, media yang sesuai mungkin adalah bengkel, di mana peserta pelatihan
dapat mempelajari cara kerja komponen dasar hidraulik, cara memecahkan masalah
hidraulik, dan cara melakukan perbaikan sederhana pada sistem hidraulik. Di sisi lain, jika
peserta pelatihan adalah juru tulis yang menilai aplikasi asuransi, program pelatihan
mungkin mencakup ceramah tentang masalah spesifik dari tugas tersebut, serta tutorial
di mana peserta pelatihan dapat mengevaluasi aplikasi nyata. Untuk tugas-tugas yang
kompleks, di mana peserta pelatihan cenderung melakukan kesalahan, program
pelatihan juga harus menyertakan umpan balik tentang kinerja peserta pelatihan.
USF 3/7/2023 28

Aturan: 1 Aturan: 3
IF lingkungan adalah kertas IF lingkungan adalah mesin
OR lingkungan adalah manual
OR lingkungan adalah bangunan
OR lingkungan adalah dokumen
OR lingkungan adalah buku teks
OR lingkungan adalah alat
THEN stimulus_situation adalah verbal THEN stimulus_situation adalah 'objek fisik'
Aturan: 2 Aturan: 4
IF lingkungan adalah gambar IF lingkungan adalah angka
OR lingkungan adalah ilustrasi OR lingkungan adalah rumus
OR lingkungan adalah foto
OR lingkungan adalah diagram OR lingkungan adalah 'program komputer'
THEN stimulus_situation adalah visual THEN stimulus_situation adalah simbolik
USF 3/7/2023 29

Aturan: 5 Aturan: 6
IF pekerjaan adalah mengajar IF pekerjaan adalah membangun
OR pekerjaan memberi nasihat OR pekerjaan adalah memperbaiki
OR pekerjaan adalah konseling OR pekerjaan adalah memecahkan masalah
THEN stimulus_response bersifat lisan THEN stimulus_response adalah 'hands-on'
Aturan: 7 Aturan: 8
IF pekerjaan adalah menulis IF pekerjaan adalah mengevaluasi
OR pekerjaan adalah mengetik
OR pekerjaan adalah bernalar
OR pekerjaan adalah menggambar
OR pekerjaan adalah menyelidiki
THEN stimulus_response didokumentasikan
THEN stimulus_response bersifat analitis
USF 3/7/2023 30

Aturan: 9 Aturan: 10
IF stimulus_situation adalah 'objek fisik' IF stimulus_situation adalah simbolik
AND stimulus_response adalah 'hands-on' AND stimulus_response bersifat analitis
AND umpan balik diperlukan AND umpan balik diperlukan
THEN medium adalah workshop THEN medium adalah 'kuliah - tutorial'
IF stimulus_situation berupa visual IF stimulus_situation berupa visual
AND stimulus_response didokumentasikan AND stimulus_response bersifat lisan
AND umpan balik tidak diperlukan AND umpan balik diperlukan
THEN medium adalah kaset video
THEN medium adalah 'kuliah - tutorial'
USF 3/7/2023 31

IF stimulus_situation adalah verbal IF stimulus_situation adalah verbal
AND stimulus_response bersifat analitis AND stimulus_response bersifat lisan
AND umpan balik diperlukan
THEN medium adalah 'latihan bermain peran'
THEN medium adalah 'kuliah - tutorial'
• mencari medium
USF 3/7/2023 32
• MEDIA ADVISOR menggunakan enam objek linguistik: lingkungan,

stimulus_situation(situasi stimulus), pekerjaan, stimulus_response
(respons_ stimulus), umpan balik dan media.
• Setiap objek dapat mengambil salah satu nilai yang diizinkan
(misalnya, lingkungan objek dapat mengambil nilai kertas, manual,
dokumen, buku teks, gambar, ilustrasi, foto, diagram, mesin, gedung,
perkakas, angka, rumus, program komputer). Objek dan nilainya
merupakan sebuah fakta (misalnya, lingkungan adalah mesin, dan
pekerjaan adalah memperbaiki). Semua fakta ditempatkan di
database.
USF 3/7/2023 33
OBJEK Linguistik dan Nilainya

Objek Nilai yang Objek Nilai yang diijinkan Objek Nilai yang diijinkan
diijinkan
stimulus_situation Verbal
Lingkungan Kertas Pekerjaan Mengajar Visual
Manual Memberi nasihat 'objek fisik'
Dokumen Konseling Simbolik
Buku teks Membangun
Gambar Memperbaiki
Ilustrasi Memecahkan masalah stimulus_response Lisan
Foto Menulis 'hands-on'
Diagram Mengetik Didokumentasikan
Mesin Menggambar Analitis
Bangunan Mengevaluasi Umpan balik Diperlukan
Alat Bernalar Tidak Diperlukan
Angka Menyelidiki
Rumus Media Workshop
‘Program 'kuliah - tutorial'
komputer' Kaset video
'latihan bermain peran'
USF 3/7/2023 34
Pilihan
• Tujuan akhir dari sistem pakar berbasis aturan adalah untuk
menghasilkan solusi atas masalah berdasarkan data masukan. Di
MEDIA ADVISOR, solusinya adalah media yang dipilih dari daftar
empat opsi:
medium adalah workshop (bengkel)

medium adalah 'kuliah - tutorial'
medium adalah kaset video
medium adalah 'latihan bermain peran'
USF 3/7/2023 35
Dialog
• 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 bahwaestimulus_situasi
adalah objek fisik, dan stimulus_response adalah langsung. Aturan 9
kemudian memilih salah satu nilai yang diizinkan dari media.
USF 3/7/2023 36
Dialog
• Lingkungan seperti apa yang dihadapi peserta pelatihan dalam
pekerjaannya?
→ mesin
Aturan: 3
• IF lingkungan adalah mesin
• OR lingkungan adalah bangunan
• OR lingkungan adalah alat
• THEN stimulus_situation adalah 'objek fisik'
USF 3/7/2023 37
Dialog
• Dengan cara apa seorang peserta pelatihan diharapkan bertindak atau
menanggapi pekerjaannya?
→ memperbaiki
Aturan: 6
• IF pekerjaan adalah membangun
• OR pekerjaan adalah memperbaiki
• OR pekerjaan adalah memecahkan masalah
• THEN stimulus_response adalah 'hands-on'
USF 3/7/2023 38
Dialog
• Apakah umpan balik tentang kemajuan peserta pelatihan diperlukan
selama pelatihan?
→ yg dibutuhkan
Aturan: 9
IF stimulus_situation adalah 'objek fisik'
AND stimulus_response adalah 'hands-on'
THEN medium adalah workshop
medium adalah workshop

USF 3/7/2023 39
Teknik inferensi Forward chaining

• Forward chaining adalah penalaran berdasarkan data, jadi pertama-
tama kita perlu menyediakan beberapa data. Asumsikan bahwa
lingkungan adalah mesin
'Lingkungan' yang dibuat oleh input pengguna adalah 'mesin'
pekerjaan adalah memperbaiki
'Pekerjaan' yang dibuat oleh input pengguna adalah 'memperbaiki'
umpan balik diperlukan
'Umpan balik' yang dibuat oleh masukan pengguna adalah
‘diperlukan’
USF 3/7/2023 40
Teknik inferensi Forward chaining

• Proses berikut akan terjadi:
• Aturan: 3 diaktifkan
'Stimulus_situation' yang dipakai oleh Aturan: 3 menjadi 'objek fisik'
‘Stimulus_response’ yang dipakai oleh Aturan: 6 menjadi ‘hands-on’
'Medium' yang dipakai oleh Aturan: 9 menjadi 'lokakarya'
• Tidak ada aturan yang diaktifkan
berhenti
USF 3/7/2023 41
Teknik inferensi backward chaining

• Rantai mundur adalah penalaran yang digerakkan oleh tujuan, jadi
pertama-tama kita perlu menetapkan solusi hipotetis (tujuan). Mari
kita, misalnya, menetapkan tujuan berikut:
• 'Medium' adalah 'workshop'
USF 3/7/2023 42

PASS 1
Mencoba Aturan: 9 Perlu menemukan objek 'stimulus_situation'
Aturan: 9 ditumpuk Objek 'stimulus_situation' dicari sebagai 'objek fisik'
PASS 2
Mencoba Aturan: 3 Perlu menemukan objek 'lingkungan'
Aturan: 3 ditumpuk Objek 'lingkungan' dicari sebagai 'mesin'
tanyakan lingkungan 'Lingkungan' yang dibuat oleh input pengguna ke 'mesin'

→ mesin
Mencoba Aturan: 3 'Stimulus_situation' yang dipakai oleh Aturan: 3 menjadi

'objek fisik'
USF 3/7/2023 43

PASS 3
Mencoba Aturan: 9 Perlu menemukan objek 'stimulus_response'
Aturan: 9 ditumpuk Objek 'stimulus_response' dicari sebagai 'hands-on'
PASS 4
Mencoba Aturan: 6 Perlu menemukan objek 'pekerjaan'
Aturan: 6 ditumpuk Objek 'pekerjaan' dicari sebagai 'bangunan'
tanya pekerjaan 'Pekerjaan' yang dibuat oleh masukan pengguna untuk

→ memperbaiki 'memperbaiki'
Mencoba Aturan: 6 ‘Stimulus_response’ dibuat oleh Aturan: 6 menjadi ‘hands-
on’
USF 3/7/2023 44

PASS 5
Mencoba Aturan: Perlu menemukan objek 'umpan balik'
9
Aturan: 9 Objek 'umpan balik' dicari sebagai 'diperlukan'
ditumpuk
tanya umpan 'Umpan balik' yang dibuat oleh masukan pengguna menjadi
balik 'diperlukan'
→yg diperlukan
Mencoba Aturan: 'Medium' yang dipakai oleh Aturan: 9 menjadi WORKSHOP
9 ('lokakarya')
medium adalah
WORKSHOP
USF 3/7/2023 45
Berguna
untuk
memiliki
diagram
pohon yang
memetakan
sesi
konsultasi
dengan
sistem pakar.
USF 3/7/2023 46
• Ref
Dr Bogdan L. Vrusias. 2006. Knowledge and Expert Systems
Negnevitsky, Michael (2004), Artificial Intelligence – A Guide to Intelligent Systems

(Second Edition), Harlow, UK, Addison Wesley, ISBN: 0321204662.
USF 3/7/2023 47

03 - Struktur Sistem Pakar

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

03 - Struktur Sistem Pakar

Diunggah oleh

Hak Cipta:

Format Tersedia

Lab.

Komputasi dan Sistem Agroindustri

• Pada awal 1970-an, Newell dan Simon dari Carnegie-Mellon University

• Mesin inferensi menjalankan penalaran di mana sistem pakar mencapai

Forward chaining and backward chaining inference

Forward chaining and backward chaining inference

• Pencocokan aturan bagian IF dengan fakta menghasilkan

Misalkan database awalnya mencakup fakta A, B, C, D,

• Rantai kesimpulan yang ditunjukkan pada Gambar 2.5

• Sistem pakar dapat menampilkan rantai inferensi untuk

• Mesin inferensi harus memutuskan kapan aturan harus

Forward chaining (Rantai Maju)

Rule 1: Y & D -> Z

Forward chaining (Rantai Maju)

• Bagaimana kita memilih antara rangkaian maju

• Jawabannya adalah mempelajari bagaimana pakar domain memecahkan masalah.

• Banyak paket sistem pakar menggunakan kombinasi teknik inferensi

CONTOH MEDIA ADVISOR

CONTOH MEDIA ADVISOR

CONTOH MEDIA ADVISOR

CONTOH MEDIA ADVISOR

CONTOH MEDIA ADVISOR

• MEDIA ADVISOR menggunakan enam objek linguistik: lingkungan,

OBJEK Linguistik dan Nilainya

medium adalah workshop (bengkel)

medium adalah workshop

Teknik inferensi Forward chaining

Teknik inferensi Forward chaining

Teknik inferensi backward chaining

Teknik inferensi backward chaining

tanyakan lingkungan 'Lingkungan' yang dibuat oleh input pengguna ke 'mesin'

Mencoba Aturan: 3 'Stimulus_situation' yang dipakai oleh Aturan: 3 menjadi

Teknik inferensi backward chaining

tanya pekerjaan 'Pekerjaan' yang dibuat oleh masukan pengguna untuk

Teknik inferensi backward chaining

Dr Bogdan L. Vrusias. 2006. Knowledge and Expert Systems

Negnevitsky, Michael (2004), Artificial Intelligence – A Guide to Intelligent Systems

Anda mungkin juga menyukai