Pengenalan Sistem PakarSistem Pakar

1

Definisi Sistem Pakar

• Durkin : – Suatu program komputer yang dirancang untuk memodelkan

kemampuan penyelesaian masalah yang dilakukan oleh seorang pakar

• Ignizio : – Suatu model dan prosedur yang berkaitan, dalam suatu domain

tertentu, yang mana tingkat keahliannya dapat dibandingkan dengan keahlian seorang pakar

2

keahlian seorang pakar

• Giarratano & Riley : – Suatu sistem komputer yang bisa menyamai atau meniru kemampuan

seorang pakar

• E. Feigenbaum : – Sebuah program komputer cerdas yang menggunakan pengetahuan

dan prosedur inferensi untuk menyelesaikan masalah yang cukup sulit sehingga memerlukan kepakaran seseorang

Pengertian Sistem Pakar

• Membuat S/W Expert Systems � sebagai penasehat/konsultan pakar

• Tidak untuk menggantikan kedudukan seorang pakar ttp u/ memasyarakatkan pengetahuan & pengalamaan pakar tsb.

3

pengalamaan pakar tsb.

• Memungkinkan orang lain meningkatkan produktivitas, memperbaiki kualitas keputusan dll

• Dapat mengumpulkan dan penyimpan pengetahuan seorang/beberapa orang pakar ke dalam komp. � u/ semua orang yang memerlukan

4

5

6

Siapakah Pakar (Expert) ?

• Seorang pakar/ahli (human expert) adalah

seorang individu yang memiliki kemampuan

pemahaman yang superior dari suatu

masalah.

7

masalah.

– Contoh: seorang dokter, penasehat keuangan,

pakar mesin mobil, dll.

Kepakaran (Expertise)

• Pemahaman yang luas dari tugas atau

pengetahuan spesifik yang diperoleh dari

pelatihan, membaca dan pengalaman.

8

Kemampuan Kepakaran

• Dapat mengenali (recognizing) dan merumuskan

masalah

• Menyelesaikan masalah dengan cepat dan tepat

• Menjelaskan solusi

9

• Menjelaskan solusi

• Belajar dari pengalaman

• Restrukturisasi pengetahuan

• Menentukan relevansi/hubungan

• Memahami batas kemampuan

Bentuk Pengetahuan dalam

Kepakaran• Fakta-fakta

• Teori-teori dari permasalahan

• Aturan dan prosedur yang mengacu pada area permasalahan

• Aturan (heuristik) yang harus dikerjakan pada situasi

10

• Aturan (heuristik) yang harus dikerjakan pada situasiyang terjadi

• Strategi global untuk menyelesaikan berbagai jenismasalah

• Meta-knowledge (pengetahuan tentangpengetahuan)

Komponen Utama Sistem Pakar

User In

terface

Knowledge Base

Expertise

11

User In

terfaceInference Engine

Expertise

Facts / Information

Komponen Utama Sistem Pakar

• Knowledge base (Basis Pengetahuan)

– berisi semua fakta, ide, hubungan, aturan dari suatu

domain permasalahan

• Inference Engine (Motor inferensi )

12

– bertugas untuk menganalisis pengetahuan dan menarik

kesimpulan berdasarkan knowledge base dan aturan.

• User Interface

– Interaksi dengan user

– Membangun dan memelihara basis pengetahuan

(knowledge base)

Domain Sistem Pakar

Problem Domain

(Domain Masalah)

13

Knowledge Domain

(Domain Pengetahuan)

Konsep Umum Sistem Pakar

• knowledge acquisition

– transfer knowledge dari manusia atau sumber lainnya ke komputer

• knowledge representation

– Penyimpanan dan pemrosesan pengetahuan dalam

14

– Penyimpanan dan pemrosesan pengetahuan dalam komputer

• inference

– Mekanisme pengambilan kesimpulan dari pengetahuan dalam komputer

• explanation

– Menjelaskan kepada user apa dan bagaimana solusi yang dihasilkan

Tahap Pengembangan Sistem

Pakar

• Proses pembuatan SP � knowledge engineering yg dilakukan oleh knowledge engineer. Selain itu domain expert dan end user.

• Tugas knowledge engineer adalah memilih S/W & H/W u/ pembuatan

Human Expert

Dialog

15

memilih S/W & H/W u/ pembuatan SP, membantu mengambil pengetahuan yg dibutuhkan dari pakar domain, serta implementasi pengetahuan pada basis pengetahuan yg benar & efisien

• Tugas pakar domain : menyediakan pengetahuan ttg bid problem yg dihadapi, memahami teknik-teknik pemecahan problema yg dipakai.

Knowledge

Engineer

Knowledge Base

Of Expert System

Explicit Knowledge

Pengembangan Teknologi

Sistem Pakar• Sangat dipengaruhi oleh pengetahuan kognitif

dan matematika

– Cara manusia memecahkan masalah

– Dasar formal, terutama logika dan inferensi

16

– Dasar formal, terutama logika dan inferensi

• Aturan produksi sebagai mekanisme representasi

– Tipe aturan IF … THEN

– Mirip dengan cara manusia memberi alasan

– Explanation facility

Rules and Humans

• Rules dapat digunakan untuk memformulasikan teori human information processing (Newell & Simon)

– rules disimpan dalam memori jangka panjang

– pengetahuan sementara diletakkan di memori jangka pendek

– input sensor atau berpikir memicu aktifasi dari aturan-

17

– input sensor atau berpikir memicu aktifasi dari aturan-aturan

– aturan yang telah diaktifkan mungkin memicu aktifasi berikutnya

– pengolah kognitif mengkombinasikan bukti-bukti dari aturan-aturan yang sedang diaktifkan

• Model ini adalah dasar dari desain sistem berbasis aturan (rule-based systems)

– disebut juga production systems

Perkembangan Teknologi SP

• MYCIN

– Dirancang oleh Edward Feigenbaum (Universitas Stanford) th ’70 an SP medical yg dpt mendiagnosa infeksi bakteri & rekomendasi pengobatan antibiotik

• DENDRAL

18

• DENDRAL

– - SP struktur molekular & kimia

• PROSPECTOR

– Membantu ahli geologi yg mencari & menemukan biji deposit (mineral& batu-batuan). Didesign oleh Sheffield Research Institute, akhir ‘70an

• XCON (R1)

– SP konfigurasi sistem komputer dasar. Dikembangkan oleh Digital Equipment Corporation (DEC) dan Carnegie Mellon Universitas (CMU), akhir ’70 an.Untuk sistem komputer DEC VAC 11 1780

Perkembangan Teknologi SP

• DELTA– Didesign & dikembangkan oleh General Electric Company

– SP personal maintenance dg mesin lokomotif listrik diesel.

• YESMVS– Didesign oleh IBM awal th ‘80an

19

– Didesign oleh IBM awal th ‘80an

– Membantu operator komputer & mengontrol sistem operasi MVS (multiple virtual storage)

• ACE– Didesign & dikembangkan oleh AT&T Bell Lab awal th

‘80an

– SP troubleshooting pd sistem kabel telpon

Kategori Problema SP

• Interpretasi – membuat kesimpulan atau deskripsi dari sekumpulan data mentah.

• Prediksi – memproyeksikan akibat-akibat yang dimungkinkan dari situasi-situasi tertentu

• Diagnosis – menentukan sebab malfungsi dalam

20

• Diagnosis – menentukan sebab malfungsi dalam situasi kompleks yang didsarkan pada gejala-gejala yang teramati

• Desain – menentukan konfigurasi komponen-komponen sistem yang cocok dengan tujuan-tujuan kinerja tertentu yang memnuhi kendala - kendala tertentu

• Perencanaan – merencanakan serangkaian tindakan yang akan dapat mencapai sejumlah tujuan dengan kondisi awal tertentu

Kategori Problema SP

• Debugging dan Repair – menentukan dan menginterpretasikan cara-cara untuk mengatasi malfungsi.

• Instruksi – mendeteksi dan mengoreksi defisiensi dalam pemahaman domain subyek

21

dalam pemahaman domain subyek

• Pengendalian – mengatur tingkah laku suatu environment yang kompleks

• Selection – mengidentifikasi pilihan terbaik dari sekumpulan (list) kemungkinan

• Simulation – pemodelan interaksi antara komponen-komponen sistem

• Monitoring – membandingkan hasil pengamatan dengan kondisi yang diharapkan

Kunci Sukses Sistem Pakar

• Meyakinkan gagasan

– Aturan-aturan, model-model kognitif

• Aplikasi-aplikasi praktis

– Obat-obatan, teknologi komputer, …

22

– Obat-obatan, teknologi komputer, …

• Pemisahan pengetahuan (knowledge) dan

kesimpulan (inference)

– expert system shell

• Memungkinkan penggunaan kembali ‘permesinan’ untuk

domain yang berbeda

• Konsentrasi pada domain pengetahuan

Kapan Menggunakan SP

• Sistem pakar tidak dapat diterapkan untuk semua tipe domain dan tugas

– Algoritma konvensional diketahui dan efisien

– Tantangan utama-nya adalah komputasi, bukan knowledge

23

– Tantangan utama-nya adalah komputasi, bukan knowledge

– knowledge tidak dapat diperoleh secara mudah

– user mungkin segan untuk menerapkan sistem pakar untuk tugas-tugas kritis

Aplikasi Sistem Pakar

24

25

Tools Sistem Pakar

• languages

– higher-level languages didesain khusus untuk

merepresentasikan knowledge dan alasan

– PROLOG, LISP, CLIPS, SAIL, KRL, KQML

26

– PROLOG, LISP, CLIPS, SAIL, KRL, KQML

• shells

– Sebuah tools dengan tujuan khusus didesain

untuk tipe aplikasi tertentu dimana user hanya

men-suplai basis pengetahuan.

Elemen Sistem Pakar

Knowledge Base

Use

r In

terf

ace

Knowledge

Acquisition

Facility

27

Inference Engine

Working Memory

Use

r In

terf

ace

Facility

Explanation

Facility

Agenda

Sistem Pakar Berbasis Aturan

(Rules)

• Pengetahuan dikodekan menjadi aturan IF …THEN

• Motor inferensi menentukan mana aturan yang terpenuhi lebih dahulu– sisi kiri harus cocok dengan fakta di dalam memori

28

– sisi kiri harus cocok dengan fakta di dalam memori kerja

• Aturan yang terpenuhi ditempatkan pada agenda

• Aturan pada agenda dapat diaktifasi– aturan yang teraktifasi mungkin menghasilkan

fakta-fakta baru melalui sisi kanan

– pengaktifan satu aturan bisa menyebabkan pengaktifan aturan yang lain

Contoh Aturan

IF … THEN Rules

Rule: Red_Light

IF the light is red

THEN stop

antecedent

(left-hand-side)

consequent

(right-hand-side)

29

THEN stop

Rule: Green_Light

IF the light is green

THEN go

(right-hand-side)

Production Rulesthe light is red ==> stop

the light is green ==> go

antecedent (left-hand-side)

consequent

(right-hand-side)

MYCIN Sample Rule

Human-Readable FormatIF the stain of the organism is gram negative

AND the morphology of the organism is rod

AND the aerobiocity of the organism is gram anaerobic

THEN the there is strongly suggestive evidence (0.8)

30

THEN the there is strongly suggestive evidence (0.8)

that the class of the organism is enterobacteriaceae

MYCIN FormatIF (AND (SAME CNTEXT GRAM GRAMNEG)

(SAME CNTEXT MORPH ROD)

(SAME CNTEXT AIR AEROBIC)

THEN (CONCLUDE CNTEXT CLASS ENTEROBACTERIACEAE

TALLY .8) [Durkin 94, p. 133]

Inference Engine Cycle

• conflict resolution

– Memilih rule dengan prioritas tertinggi dari agenda

• execution

– Menjalankan aksi pada consequent dari rule yang terpilih

31

– Menjalankan aksi pada consequent dari rule yang terpilih

– remove the rule from the agenda

• match

– update the agenda

• Menambah rules yang antecedents-nya sesuai dengan

agenda

• remove rules with non-satisfied agendasSiklus berhenti ketika tidak ada rules pada agenda atau ketika perintah berhenti ditemukan

Metode Aktifasi Rules

• Forward Chaining

• Backward Chaining

32

Forward Chaining

• forward chaining (data-driven)

– reasoning from facts to the conclusion

– as soon as facts are available, they are used to match antecedents of rules

33

match antecedents of rules

– a rule can be activated if all parts of the antecedent are satisfied

– often used for real-time expert systems in monitoring and control

– examples: CLIPS, OPS5

Backward Chaining

• backward chaining (query-driven)

– starting from a hypothesis (query), supporting

rules and facts are sought until all parts of the

antecedent of the hypothesis are satisfied

34

antecedent of the hypothesis are satisfied

– often used in diagnostic and consultation

systems

– examples: EMYCIN

Foundations of Expert Systems

Rule-Based Expert Systems

Knowledge BaseInference Engine

35

RulesPattern

MatchingFacts

Rete

Algorithm

Markov

Algorithm

Post

Production

Rules

Conflict

Resolution

Action

Execution

Post Production Systems

• Production rules (aturan produksi) digunakan oleh logikawan Emil L. Post pada awal tahun 40-an dalam logika simbolik

• Hasil teori Post

– any system in mathematics or logic can be written as a

36

– any system in mathematics or logic can be written as a production system

• Prinsip dasar production rules

– seperangkat aturan mengatur konversi dari satu set string menjadi set string yang lain

• aturan ini juga dikenal sebagai aturan penulisan ulang

• simple syntactic string manipulation

• no understanding or interpretation is required

• also used to define grammars of languages

– e.g. BNF grammars of programming languages

Markov Algorithms

• in the 1950s, A. A. Markov introduced

priorities as a control structure for production

systems

– rules with higher priorities are applied first

37

– rules with higher priorities are applied first

– allows more efficient execution of production

systems

– but still not efficient enough for expert systems

with large sets of rules

ES Problems

• limited knowledge

– “shallow” knowledge

• no “deep” understanding of the concepts and their

relationships

– no “common-sense” knowledge

38

– no “common-sense” knowledge

– no knowledge from possibly relevant related domains

– “closed world”

• the ES knows only what it has been explicitly “told”

• it doesn’t know what it doesn’t know

ES Problems

• mechanical reasoning

– may not have or select the most appropriate

method for a particular problem

– some “easy” problems are computationally very

39

– some “easy” problems are computationally very

expensive

• lack of trust

– users may not want to leave critical decisions to

machines

Summary

• expert systems or knowledge based systems are used to represent and process in a format that is suitable for computers but still understandable by humans

– If-Then rules are a popular format

• the main components of an expert system are

40

• the main components of an expert system are

– knowledge base

– inference engine

• ES can be cheaper, faster, more accessible, and more reliable than humans

• ES have limited knowledge (especially “common-sense”), can be difficult and expensive to develop, and users may not trust them for critical decisions

DATA = INFORMASI ?

Data: Nilai/value yang turutmerepresentasikan deskripsi darisuatu objek atau kejadian (event)DATA

41

Informasi merupakan hasil dari pengolahan data dalam suatu bentuk yang lebih berguna dan lebih berarti bagi penerimanya, yang menggambarkan suatu kejadian-kejadian (event) yang nyata (fact) yang digunakan untuk pengambilan keputusan.

PENGOLAHAN

INFORMASI

Pengetahuan (Knowledge)

• pengalaman, pelatihan

INFORMASI

PENGOLAHAN

42

• pengalaman, pelatihanPENGOLAHAN

PENGETAHUAN

• Data + processing = information

• Information + processing (pengalaman, training, dll) = knowledge

Struktur Dasar SP

43

• Knowledge Base

• Working Memory

• Inference Engine

Knowledge Base

• Definisi : Bagian dari sistem pakar yang berisi

domain pengetahuan

• Berisi pengetahuan yang dibutuhkan untuk

memahami, merumuskan dan menyelesaikan

44

memahami, merumuskan dan menyelesaikan

masalah.

Terdiri dari 2 elemen dasar:

• Fakta, situasi masalah dan teori yang terkait

• Heuristik khusus atau rules, yang langsung

menggunakan pengetahuan untuk menyelesaikan

masalah khusus.

Working Memory

Definisi : bagian dari sistem pakar yang berisi

fakta-fakta masalah yang ditemukan dalam

suatu sesi

45

suatu sesi

• Berisi fakta-fakta tentang suatu masalah yang

ditemukan dalam proses konsultasi

Inference Engine

Definisi : Processor pada sistem pakar yang

mencocokan fakta-fakta yang ada pada

working memori dengan domain pengetahuan

yang terdapat pada knowledge base, untuk

menarik kesimpulan dari masalah yang

46

menarik kesimpulan dari masalah yang

dihadapi.

• Proses berpikir pada manusia dimodelkandalam sistem pakar pada modul yang disebutInference Engine.

Kelebihan Sistem Pakar

• Availability

• Intelligent tutor

• Cost

• Intelligent dB

47

• Intelligent dB

• Danger-reduced

• Performance

• Multiple expertise

• Reliability

• Explanation

• Response-cepat

• Steady, unemotional and complete response

Struktur Detail SP

Terdiri atas 2 bagian :

• Development Environment (Lingkungan

Pengembangan)

• Consultation Environment (Lingkungan

48

• Consultation Environment (Lingkungan

Konsultasi)

Karakteristik Sistem Pakar

• High Performance

• Adequate response time

• Good reliability

49

• Good reliability

• Understanable

• Flexibility

Idenya :

• Sistem matematika & logika merupakan set

aturan sederhana untuk menentukan

bagaimana mengubah 1 string simbol ke dlm

Post Production Systems

50

bagaimana mengubah 1 string simbol ke dlm

simbol lainnya.

• Yaitu dengan input string, kejadian

sebelumnya

• Merupakan kelompok produksi yg terorder yang diterapkan untuk prioritas ke input string.

• Algoritma akan berakhir dg baik jika:– (1). Produksi terakhir tidak dapat diterapkan pada string

– (2). Suatu produksi yg berakhir dg periode diterapkan.

Algoritma Markov

51

– (2). Suatu produksi yg berakhir dg periode diterapkan.

• Jika input string GABKABSistem produksi AB � HIJ

Maka hasil akhir GHIJKHIJ

• Karakter ^ � string nol

• Mis A � ^ artinya menghilangkan seluruh kejadian karakter A dlm suatu string

• Karakter tunggal a,b,c,……

• Mis AxB � BxA artinya mengubah karakter A dan B

• Huruf Yunani α,β

• Contoh : Memindahkan huruf pertama string input

Algoritma Markov

52

• Contoh : Memindahkan huruf pertama string input

ke akhir

• Aturan 1. αxy � yαx

• 2. α � ^

• 3. ^ � α

• Input ABC

Aturan Sukses atau Gagal String

1 G ABC

Input ABC

Algoritma Markov

53

2 G ABC

3 S αABC

1 S BαAC

1 S BCαA

1 G BCαA

2 S BCA

• Pada algoritma Markov diterapkan aturan/baris prioritas lebih tinggi.

• Masalah timbul jika system mempunyai aturan/baris yang banyak, maka tidak akan efisien.

• Solusinya adalah algoritma Rete yang dikembangkan oleh Charles L.F di Carnegie-Mellon University (1979)

Algoritma Rete

54

Charles L.F di Carnegie-Mellon University (1979)

• Yaitu algoritma yg mengetahui tentang seluruh aturan/baris seluruh sistem dan dapat menerapkan suatu baris tanpa harus mencoba setiap baris tanpa berangkai (mencari perubahan dalam gabungan setiap cycle)

• Merupakan gabungan pola yang sangat cepat, yang mendapatkan kecepatannya dengan menyimpan informasi tentang baris dalam jaringan.

Referensi

• Artifial Intelligent, George F.Luger

• Artificial Intelligent, Sandi Setiawan

• Artificial Intelligent, Elaine Rich, Kevin Knight

• Expert System, Giarrantino/ Rilley

55

• Expert System, Giarrantino/ Rilley

• Peng.Sistem Pakar, Gunadarma