Kecerdasan Buatan Sistem Pakar

BAB 2 LANDASAN TEORI

2.1 Kecerdasan Buatan

Kecerdasan Buatan Artificial Intelligence atau AI di definisikan sebagai kecerdasan yang di tunjukkan oleh suatu entitas buatan. Sistem seperti ini umumnya di anggap komputer. Kecerdasan diciptakan dan dimasukkan ke dalam suatu mesin komputer agar dapat melakukan pekerjaan seperti yang dapat dilakukan manusia. Beberapa macam bidang yang menggunakan kecerdasan buatan antara lain sistem pakar, permainan komputer games, logika fuzzy, jaringan syaraf tiruan dan robotika.

2.2 Sistem Pakar

Secara umum, sistem pakar expert system adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli [7]. Sistem pakar yang baik dirancang agar dapat menyelelasikan suatu permasalahan tertentu dengan meniru kerja dari para ahli. Dengan sistem pakar ini, orang awampun dapat menyelesaikan masalah yang cukup rumit yang sebenarnya hanya dapat diselesaikan dengan bantuan para ahli. Bagi para ahli, sistem pakar ini juga akan membantu aktivitasnya sebagai asisten yang sangat berpengalaman. Ada beberapa definisi tentang sistem pakar, antara lain : a. Menurut Durkin : Sistem pakar adalah suatu program komputer yang dirancang untuk memodelkan kemampuan penyelesaian masalah yang dilakukan seorang pakar. b. Menurut Ignizio : Sistem pakar adalah suatu model dan prosedur yang berkaitan, dalam suatu domain tertentu, yang mana tingkat keahliannya dapat dibandingkan dengan keahlian seorang pakar. c. Menurut Giarratano dan Riley : Sistem pakar adalah suatu sistem komputer yang bisa menyamai atau meniru kemampuan seorang pakar.

2.2.1 Sejarah Sistem Pakar

Sistem Pakar mulai di kembangkan pada pertengahan tahun 1960-an oleh Artificial Intelligence Corporation. Pada pertengahan tahun 1960-an, terjadi pergantian dari program serba bisa general-purpose ke program yang spesialis special-purpose dengan di kembangkannya DENDRAL oleh E. Feigenbaum dari Universitas Stanford dan kemudian oleh MYCIN. Pada pertengahan tahun 1970, beberapa sistem pakar mulai muncul. Sebuah pengetahuan kunci yang di pelajari saat itu adalah kekuatan dari sistem pakar berasal dari pengetahuan spesifik yang dimilikinya, bukan dari formalisme-formalisme khusus dan pola penarikan kesimpulan yang digunakannya. Awal 1980 teknologi sistem pakar yang mula-mula dibatasi oleh suasana akademis mulai muncul sebagai aplikasi komersil, khususnya XCON, XSEL dikembangkan dari R-1 pada Digital Equiptment Corp. dan CATS-1 dikembangkan oleh General Electric. Sistem pakar untuk melakukan diagnosis kesehatan telah di kembangkan sejak pertengahan tahun 1970. Sistem pakar untuk melakukan diagnosis pertama di buat oleh Bruce Buchanan dan Edward Shortliffe di Stanford University. Sistem ini diberi nama MYCIN Heckerman, 1986. MYCIN merupakan program interaktif yang melakukan diagnosis penyakit meningitis dan infeksi bacremia serta memberikan rekomendasi terapi antimikroba. MYCIN mampu memberikan penjelasan atas penalarannya secara detail. Dalam uji coba, dia mampu menunjukkan kemampuan seperti seorang spesialis. Meskipun MYCIN tidak pernah di gunakan secara rutin oleh dokter, MYCIN merupakan inferensi yang bagus dalam kecerdasan buatan yang lain

2.2.2 Ciri-Ciri Sistem Pakar

Sistem pakar yang baik harus memenuhi ciri-ciri sebagai berikut [13]: 1. Terbatas pada domain keahlian tertentu. 2. Berdasarkan pada kaidahrule tertentu. 3. Dapat digunakan dalam berbagai jenis komputer. 4. Mudah dimodifikasi, yaitu dengan menambah atau menghapus suatu kemampuan dari basis pengetahuannya. 5. Sistem dapat mengaktifkan kaidah secara searah yang sesuai, dituntun oleh dialog dengan pemakai.

2.2.3 Keuntungan dan Kelemahan Sistem Pakar

Secara garis besar, banyak manfaat yang dapat diambil dengan adanya sistem pakar, antara lain [7] : 1. Memungkinkan orang awam bisa mengerjakan pekerjaan para ahli. 2. Bisa melakukan proses secara berulang secara otomatis. 3. Menyimpan pengetahuan dan keahlian para pakar. 4. Meningkatkan output dan produktivitas. 5. Meningkatkan kualitas. 6. Mampu mengambil dan melestarikan keahlian para pakar terutama yang termasuk keahlian langka. 7. Mampu beroperasi dalam lingkungan yang berbahaya. 8. Memiliki kemampuan untuk mengakses pengetahuan. 9. Memiliki reliabilitas. 10. Meningkatkan kapabilitas sistem komputer. 11. Memiliki kemampuan untuk bekerja dengan informasi yang tidak lengkap dan mengandung ketidakpastian. 12. Sebagai media pelengkap dalam penelitian. 13. Meningkatkan kapabilitas dalam penyelesaian masalah. 14. Menghemat waktu dalam pengambilan keputusan. Disamping memiliki beberapa keuntungan, sistem pakar juga memiliki beberapa kelemahan, antara lain [7] : 1. Biaya yang diperlukan untuk membuat dan memeliharanya sangat mahal. 2. Sulit dikembangkan. Hal ini tentu saja erat kaitannya dengan ketersediaan pakar dibidangnya. 3. Sistem Pakar tidak 100 bernilai benar.

2.2.4 Konsep Dasar Sistem Pakar

Menurut Efraim Turban, konsep dasar sistem pakar mengandung : keahlian, ahli, pengalihan keahlian, inferensi, aturan dan kemampuan menjelaskan. Keahlian adalah suatu kelebihan penguasaan pengetahuan di bidang tertentu yang diperoleh dari pelatihan, membaca atau pengalaman. Contoh bentuk pengetahuan yang termasuk keahlian adalah : a. Fakta-fakta pada lingkup permasalahan tertentu. b. Teori-teori pada lingkup permasalahan tertentu. c. Prosedur-prosedur dan aturan-aturan berkenaan dengan lingkup permasalahan tertentu. d. Strategi-strategi global untuk menyelesaikan masalah. e. Meta-knowledge pengetahuan tentang pengetahuan. Bentuk-bentuk ini memungkinkan para ahli untuk dapat mengambil keputusa lebih cepat dan lebih baik daripada seseorang yang bukan ahli. Seorang ahli adalah seseorang yang mampu menjelaskan suatu tanggapan, mempelajari hal-hal baru seputar topik permasalahan domain, menyusun kembali pengetahuan jika dipandang perlu, memecah aturan-aturan jika dibutuhkan, dan menentukan relevan tidaknya keahlian mereka. Pengalihan keahlian dari para ahli ke komputer untuk kemudian dialihkan lagi ke orang lain yang bukan ahli, merupakan tujuan utama dari sistem pakar. Proses ini membutuhkan 4 aktivitas yaitu : a. Tambahan pengetahuan dari para ahli atau sumber-sumber lainnya. b. Representasi pengetahuan ke komputer. c. Inferensi pengetahuan. d. Pengalihan pengetahuan ke user.

2.2.5 Struktur Sistem Pakar

Sistem pakar terdiri dari dua bagian utama yaitu development environment dan consultation environment [7]. Development environment digunakan untuk memasukkan pengetahuan pakar ke dalam lingkungan sistem pakar, sedangkan consultation environment digunakan oleh pengguna yang bukan pakar guna memperoleh pengetahuan pakar. Komponen-komponen sistem pakar dalam kedua bagian tersebut dapat dilihat pada gambar berikut. Gambar 2.1 Struktur Sistem Pakar Di bawah ini akan di jelaskan secara ringkas komponen-komponen yang membentuk sistem pakar: 1. AntarMuka Pengguna User Interface User interface merupakan mekanisme yang di gunakan oleh pengguna dan sistem pakar untuk berkomunikasi, informasi yang di terima dari pemakai di ubahnya ke dalam bentuk yang dapat di terima oleh sistem dan di mengerti oleh pemakai. 2. Basis pengetahuan knowledge base Basis pengetahuan mengandung pengetahuan untuk pemahaman, formulasi, dan penyelesaian masalah, komponen ini disusun atas dua elemen dasar, pertama yaitu fakta berisikan informasi tentang obyek permasalahan tertentu dan aturan berisikan aturan cara bagaimana memperoleh fakta baru dari fakta yang telah diketahui. 3. Akuisisi Pengetahuan Knowledge Acquisition Akuisisi pengetahuan adalah akumulasi, transfer dan transformasi keahlian dalam menyelesaikan masalah-masalah dari sumber pengetahuan dalam program komputer. 4. Mesin Inferensi Mesin inferensi adalah bagian yang mengandung mekanisme fungsi berpikir dan pola-pola penalaran sistem yang di gunakan oleh seorang pakar. Mekanisme ini akan menganalisa suatu masalah tertentu dan selanjutnya akan mencari jawaban atau kesimpulan yang terbaik. 5. Workplace Workplace merupakan area dari sekumpulan memori kerja working memory. Workplace digunakan untuk merekam hasil-hasil antara dan kesimpulan yang dicapai. 6. Fasilitas Penjelasan Faslitas penjelasan adalah komponen tambahan yang akan meningkatkan kemampuan sistem pakar. Komponen ini menggambarkan penalaran sistem kepada pemakai. 7. Perbaikan Pengetahuan. Pakar memiliki kemampuan untuk menganalisis dan meningkatkan kinerjanya serta kemampuan untuk belajar dari kinerjanya. Kemampuan tersebut adalah penting dalam pembelajaran terkomputerisasi, sehingga program akan mampu menganalisi penyebab kesuksesan dan kegagalan yang di alaminya.

2.2.6 Basis pengetahuan

Basis pengetahuan mengandung pengetahuan untuk pemahaman, formulasi, dan penyelesaian masalah yang dapat berasal dari pakar, jurnal, majalah, dan sumber pengetahuan lain. Kaidah adalah cara untuk membangkitkan suatu fakta baru dari fakta yang sudah diketahui. Ada 2 bentuk basis pengetahuan yang umum digunakan, yaitu [7]: 1. Penalaran berbasis aturan Rule-Based Reasoning Pada penalaran berbasis aturan, pengetahuan direpresentasikan dengan menggunakan aturan berbentuk : If-Then. Penalaran ini digunakan jika terdapat sejumlah pengetahuan pakar pada suatu permasalahan tertentu, dan pakar dapat melakukan penyelesaian secara berurutan. 2. Penalaran berbasis kasus Cased-Based Reasoning Pada penalaran ini, basis pengetahuan akan berisi solusi-solusi yang telah dicapai sebelumnya, kemudian akan diturunkan suatu solusi untuk keadaan yang terjadi sekarang. Representasi Pengetahuan Pengetahuan merupakan kemampuan untuk membentuk model mental yang menggambarkan objek dengan tepat dan merepresentasikannya dalam aksi yang dilakukan terhadap suatu objek. Representasi pengetahuan merupakan metode yang digunakan untuk mengkodekan pengetahuan dalam sebuah sistem pakar yang berbasis pengetahuan. Perepresentasian dimaksudkan untuk menangkap sifat-sifat penting masalah dan membuat informasi itu dapat diakses oleh prosedur pemecahan masalah [6].

2.2.8 Mekanisme Inferensi Inference Engine

Mekanisme Inferensi adalah bagian dari sistem pakar yang melakukan penalaran dengan menggunakan isi daftar aturan berdasarkan urutan dan pola terentu. Selama proses konsultasi antar sistem dengan pemakai, mekanisme inferensi menguji aturan satu sampai kondisi aturan itu benar. Secara umum ada dua teknik utama yang digunakan dalam mekanisme inferensi untuk pengujian aturan, yaitu Metode Forward Chaining dan Backward Chaining.

2.2.8.1 Metode Forward Chaining

Metode Forward Chaining adalah suatu metode pengambilan keputusan yang umum digunakan dalam sistem pakar. Proses pencarian dengan metode Forward Chaining berangkat dari kiri ke kanan, yaitu dari premis menuju kepada kesimpulan akhir, metode ini sering disebut data driven yaitu pencarian dikendalikan oleh data yang diberikan. Aktivitas sistem dilakukan berdasarkan siklus mengenal-beraksi. Mula-mula, sistem mencari semua aturan yang kondisinya terdapat di memori kerja, kemudian memilih salah satunya dan menjalankan aksi yang bersesuaian dengan aturan tersebut. Pemilihan aturan yang akan dijalankan berdasarkan strategi tetap yang disebut strategi penyelesain konflik. Aksi tersebut menghasilkan memori kerja baru dan siklus diulangi lagi sampai tidak ada aturan yang dapat dipicu, atau tujuan yang dikehendaki sudah terpenuhi. Gambar 2.2 Proses Forward Chaining

2.2.8.2 Metode Backward Chaining

Metode Backward Chaining adalah suatu metode pengambilan keputusan yang juga umum digunakan dalam sistem pakar. Metode backward chaining adalah kebalikan dari Forward Chaining. Percobaan fakta atau pernyataan dimulai dari bagian sebelah kanan THEN dulu. Dengan kata lain, penalaran dimulai dari hipotesis terlebih dan untuk menguji kebenaran hipotesis tersebut harus dicari fakta-fakta yang ada dalam basis pengetahuan. Proses pencarian dengan metode backward chaining berangkat dari kanan ke kiri, yaitu dari kesimpulan sementara menuju kepada premis, metode ini sering disebut gol driven pencarian dikendalikan oleh tujuan yang diberikan. Metode Backward Chaining merupakan strategi pencarian yang arahnya kebalikan dari Forward Chaining. Proses pencarian dimulai dari tujuan, yaitu kesimpulan yang menjadi solusi permasalahan yang dihadapi. Mesin inferensi mencari kaidah-kaidah dalam basis pengetahuan yang kesimpulannya merupakan solusi yang ingin dicapai, kemudian dari kaidah-kaidah yang diperoleh, masing-masing kesimpulan Backward Chaining jalur yang mengarah ke kesimpulan tersebut. Jika informasi-informasi atau nilai dari atribut-atribut yang mengarah ke kesimpulan tersebut sesuai dengan data yang diberikan maka kesimpulan tersebut merupakan solusi yang dicari, jika tidak sesuai maka kesimpulan tersebut bukan merupakan solusi yang dicari. Backward Chaining memulai proses pencarian dengan suatu tujuan sehingga strategi ini disebut juga goal-driven. Gambar 2.3 Proses Backward Chaining

2.3 Tanaman Kopi