of 55/55
Pengenalan Sistem Pakar Sistem Pakar 1

Pengenalan Sistem Pakardewi_anggraini.staff.gunadarma.ac.id/Downloads/files/... · Pengenalan Sistem Pakar Sistem Pakar 1. Definisi Sistem Pakar • Durkin : – Suatu program komputer

  • View
    14

  • Download
    0

Embed Size (px)

Text of Pengenalan Sistem Pakardewi_anggraini.staff.gunadarma.ac.id/Downloads/files/... · Pengenalan...

  • 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) adalahseorang 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 ataupengetahuan 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 yangditemukan dalam proses konsultasi

  • Inference Engine

    Definisi : Processor pada sistem pakar yangmencocokan 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