Kecerdasan Buatan Sistem Pakar

20 BAB 2 LANDASAN TEORI

2.1 Kecerdasan Buatan

Kecerdasan buatan adalah suatu ilmu yang mempelajari cara membuat komputer melakukan sesuatu seperti yang dilakukan oleh manusia. Definisi lain, kecerdasan buatan Artificial Intelligence merupakan kawasan penelitian, aplikasi dan instruksi yang terkait dengan pemrograman komputer untuk melakukan sesuatu hal yang dalam pandangan manusia adalah cerdas [8]. Ilmu yang mempelajari cara membuat komputer dapat bertindak dan memiliki kecerdasan seperti manusia disebut kecerdasan buatan. Sementara ensiklopedi Britannica mendefenisikan Kecerdasan Buatan AI sebagai cabang dari ilmu komputer yang dalam merepresentasi pengetahuan lebih banyak menggunakan bentuk simbol-simbol daripada bilangan, dan memproses informasi berdasarkan sejumlah aturan. Beberapa topik penting kecerdasan buatan antara lain yaitu Layanan Rekayasa dan Penalaran Otomatis, Evolusi dan Swarm Algoritma dan Ahli Tahapan Pengembangan Sistem, Fuzzy Set dan logika dan Pengetahuan Berbasis Sistem, Metode Pemecahan masalah Self-Healing dan Sistem Otonom, dll [7].

2.2 Sistem Pakar

Sistem pakar adalah sistem berbasis komputer yang menggunakan pengetahuan, fakta, dan teknik penalaran dalam memecahkan masalah yang biasanya hanya dapat dipecahkan oleh seorang pakar dalam bidang tersebut. Sifat utama sistem pakar adalah Universitas Sumatera Utara 21 ketergantungan pengetahuan manusia yang pakar dalam suatu bidang dalam menyusun strategi pemecahan persoalan yang dihadapi oleh sistem [14]. Pada dasarnya sistem pakar diterapkan untuk mendukung aktivitas pemecahan masalah. Beberapa aktivitas pemecahan yang dimaksud antara lain: pembuatan keputusan decision making, pemaduan pengetahuan knowledge fusing, pembuatan desain designing, perencanaan planning, prakiraan forecasting, pengaturan regulating, pengendalian controlling, diagnosis diagnosing, perumusan prescribing, penjelasan explaining, pemberian nasihat advising dan pelatihan tutoring. Selain itu sistem pakar juga dapat berfungsi sebagai asisten yang pandai dari seorang pakar [8].

2.2.1 Sejarah Sistem Pakar

Sistem pakar mulai dikembangkan pada pertengahan tahun 1960-an oleh Artificial Inteligence Corporation. Periode penelitian AI ini didominasi oleh suatu keyakinan bahwa nalar yang digabung dengan komputer canggih akan menghasilkan prestasi pakar atau bahkan manusia super. Suatu usaha ke arah ini adalah General Purpose Problem-Solver GPS. GPS sendiri merupakan sebuah predecessor menuju Expert System ES [1]. Sistem pakar untuk melakukan diagnosis kesehatan telah dikembangkan sejak pertengahan tahun 1970. Sistem pakar untuk melakukan diagnosis pertama dibuat oleh Bruce Buchanan dan Edward Shortliffe di Stanford University. Sistem ini diberi nama MYCIN [8]. MYCIN adalah aturan berbasis sistem pakar yang memberikan saran terapi untuk jenis tertentu dari penyakit menular [13]. MYCIN mampu memberikan penjelasan atas penalarannya secara detail. Meskipun MYCIN tidak pernah digunakan secara rutin oleh dokter, MYCIN merupakan referensi yang bagus dalam penelitian kecerdasan buatan yang lain [8]. Universitas Sumatera Utara 22

2.2.2 Ciri-Ciri Sistem Pakar

Adapun ciri-ciri sistem pakar, yaitu: 1. Terbatas pada bidang yang spesifik. 2. Dapat memberikan penalaran untuk data-data yang tidak lengkap atau tidak pasti. 3. Dapat mengemukakan rangkaian alasan yang diberikannya dengan cara yang dapat dipahami. 4. Berdasarkan pada rule atau kaidah tertentu. 5. Dirancang untuk dapat dikembangkan secara bertahap. 6. Outputnya bersifat nasihat atau anjuran. 7. Output tergantung dari dialog dengan user. 8. Knowledge base dan inference engine terpisah.

2.2.3 Keuntungan dan Kelemahan Sistem Pakar

Ada beberapa keuntungan sistem pakar [15], yaitu: 1. Memungkinkan seorang awam untuk dapat melakukan pekerjaan pakar. 2. Meningkatkan produktivitas kerja dengan jalan meningkatkan efisiensi. 3. Menghemat waktu dalam menyelesaikan masalah pekerjaan. 4. Dapat melakukan proses rumit berulang-ulang secara otomatis yang bagi kebanyakan orang mungkin membosankan. 5. Dapat digunakan untuk 24 jam sehari. 6. Menghasilkan keluaran yang konsisten. Selain keuntungan-keuntungan di atas, sistem pakar seperti halnya sistem lainnya juga memiliki kelemahan, di antaranya adalah: 1. Masalah dalam mendapatkan pengetahuan dimana pengetahuan tidak selalu bisa didapatkan dengan mudah, karena kadangkala pakar dari masalah yang kita buat tidak ada, dan kalaupun ada kadang-kadang pendekatan yang dimiliki oleh pakar berbeda-beda. Universitas Sumatera Utara 23 2. Untuk membuat sistem pakar yang benar-benar berkualitas tinggi sangatlah sulit dan memerlukan biaya yang sangat besar untuk pengembangan dan pemeliharaannya. 3. Boleh jadi sistem tidak dapat membuat keputusan. 4. Sistem pakar tidaklah 100 menguntungkan, walaupun seseorang tetap tidak sempurna atau tidak selalu benar. Oleh karena itu perlu diuji ulang secara teliti sebelum digunakan.

2.2.4 Konsep Dasar Sistem Pakar

Pengetahuan dari suatu sistem pakar mungkin dapat direpresentasikan dalam sejumlah cara. Salah satu metode yang paling umum untuk merepresentasikan pengetahuan adalah dalam bentuk tipe aturan rule IF…THEN Jika…maka. Konsep dasar dari suatu sistem pakar mengandung beberapa unsur atau elemen, yaitu keahlian, ahli, pengalihan keahlian, inferensi, aturan, dan kemampuan menjelaskan [8]. Salah satu fitur yang harus dimiliki oleh sistem pakar adalah kemampuan untuk menalar reasoning. Jika keahlian-keahlian sudah tersimpan sebagai basis pengetahuan dan sudah tersedia program yang mampu mengakses basis data, maka komputer harus dapat diprogram untuk membuat inferensi. Proses ini dibuat dalam bentuk motor inferensi inference engine.

2.2.5 Struktur Sistem Pakar

Sistem pakar disusun oleh dua bagian utama, yaitu lingkungan pengembangan development environment dan lingkungan konsultasi consultation environment [8]. Lingkungan pengembangan sistem pakar digunakan untuk memasukkan pengetahuan pakar ke dalam lingkungan sistem pakar, sedangkan lingkungan konsultasi digunakan oleh pengguna yang bukan pakar guna memperoleh pengetahuan pakar. Komponen- Universitas Sumatera Utara 24 komponen sistem pakar dalam kedua bagian tersebut dapat dilihat dalam Gambar 2.1 berikut ini. Pemakai Antar Muka Aksi yang direkomendasikan Mesin Inferensi Fakta tentang Kejadian tertentu Blackboard Solusi, Rencana LINGKUNGAN KONSULTASI Basis Pengetahuan: Fakta dan aturan Perbaikan Pengetahuan Knowledge Enginner Pakar LINGKUNGAN PENGEMBANGAN Akuisisi Pengetahuan Fasilitas Pen jelasan Gambar 2.1 Struktur Sistem Pakar Hasil pemrosesan yang dilakukan oleh mesin inferensi dari sudut pandang pengguna bukan pakar berupa aksi yang direkomendasikan oleh sistem pakar disertai dengan fasilitas-fasilitas penjelasan yang dibutuhkan pengguna. Komponen yang terdapat dalam sistem pakar, yaitu design interface, basis pengetahuan, akuisisi pengetahuan, mesin inferensi, workplace, fasilitas penjelasan, dan perbaikan pengaturan. Keterangan gambar: : pemisah antara lingkungan konsultasi dengan lingkungan pengembangan. : komunikasi dua arah : langsung : tidak langsung Universitas Sumatera Utara 25 Komponen-komponen yang terdapat dalam sistem pakar antara lain, sebagai berikut: 1. Antarmuka Pengguna User Interface Antarmuka pengguna merupakan mekanisme yang digunakan oleh pengguna dan sistem pakar untuk berkomunikasi. Antarmuka menerima informasi dari pemakai dan mengubahnya ke dalam bentuk yang dapat diterima oleh sistem. Pada bagian ini terjadi dialog antara program dan pemakai, yang memungkinkan sistem pakar menerima instruksi dan informasi input dari pemakai, juga memberikan informasi output kepada pemakai. 2. Basis Pengetahuan Basis pengetahuan mengandung pengetahuan untuk pemahaman, formulasi, dan penyelesaian masalah. Komponen sistem pakar ini disusun atas dua elemen dasar, yaitu fakta dan aturan. Fakta merupakan informasi tentang obyek dalam area permasalahan tertentu, sedangkan aturan merupakan informasi tentang cara bagaimana memperoleh fakta baru dari fakta yang telah diketahui. 3. Mesin Inferensi Komponen ini mengandung mekanisme pola pikir dan penalaran yang digunakan oleh pakar dalam menyelesaikan suatu masalah. Mesin inferensi adalah program komputer yang memberikan metodologi untuk penalaran tentang informasi yang ada dalam basis pengetahuan dan dalam workplace, dan untuk memformulasikan kesimpulan [2]. 4. Akuisisi Pengetahuan Akuisisi pengetahuan adalah akumulasi, transfer, dan transformasi keahlian pemecahan masalah dari pakar atau sumber pengetahuan terdokumentasi ke program komputer, untuk membangun atau memperluas basis pengetahuan. Dalam tahap ini knowledge engineer berusaha menyerap pengetahuan untuk selanjutnya ditransfer ke dalam basis pengetahuan. Pengetahuan diperoleh dari Universitas Sumatera Utara 26 pakar, dilengkapi dengan buku, basis data, laporan penelitian dan pengalaman pemakai. 5. Blackboard Tempat Kerja Blackboard adalah area kerja memori yang disimpan sebagai database untuk deskripsi persoalan terbaru yang ditetapkan oleh data input, digunakan juga untuk perekaman hipotesis dan keputusan sementara. Tiga tipe keputusan dapat direkam dalam blackboard, yaitu rencana bagaimana mengatasi persoalan, agenda tindakan potensial sebelum eksekusi, dan solusi hipotesis kandidat dan arah tindakan alternatif yang telah dihasilkan sistem sampai dengan saat ini [16]. 6. Fasilitas Penjelasan Sistem Fasilitas penjelasan sistem merupakan bagian dari sistem pakar yang memberikan penjelasan tentang bagaimana program dijalankan, apa yang harus dijelaskan kepada pemakai tentang suatu masalah, memberikan rekomendasi kepada pemakai, mengakomodasi kesalahan pemakai dan menjelaskan bagaimana suatu masalah terjadi. 7. Perbaikan Pengetahuan Pakar manusia memiliki sistem perbaikan pengetahuan, yakni mereka dapat menganalisis pengetahuannya sendiri dan kegunaannya, belajar darinya, dan meningkatkannya untuk konsultasi mendatang.

2.2.6 Representasi Pengetahuan

Representasi pengetahuan merupakan metode yang digunakan untuk mengkodekan pengetahuan dalam sebuah sistem pakar yang berbasis pengetahuan. Pengetahuan yang diperoleh dari pakar atau dari sekumpulan data harus direpresentasikan dalam format yang dapat dipahami oleh manusia dan dapat diekskusi pada komputer. Beberapa model representasi pengetahuan yang penting, yaitu logika logic, jaringan semantik semantic nets, bingkai frame, dan kaidah produksi production rule [9]. Universitas Sumatera Utara 27

2.2.6.1 Logika

Logika merupakan suatu pengkajian ilmiah tentang serangkaian penalaran, sistem kaidah, dan prosedur yang membantu proses penalaran. Logika merupakan bentuk representasi pengetahuan yang paling tua, yang menjadi dasar dari teknik representasi high level. Metode dikenal sebagai logika komputasional. Bentuk logika komputasional ada dua macam, yaitu: 1. Logika Proporsional Logika proporsisi disebut juga kalkulus proposisi yang merupakan logika simbolik untuk memanipulasi proposisi. Proposisi merupakan pernyataan yang dapat bernilai benar atau salah. Contohnya: Misalkan p menyatakan “Anda berusia 21 tahun atau sudah tua.” dan q menyatakan “Anda mempunyai hak pilih”, kondisional p → q dapat berarti: “Jika Anda berusia 21 tahun atau sudah tua maka Anda mempunyai hak pilih.”. 2. Logika Predikat Logika predikat atau kalkulus predikat merupakan logika yang digunakan untuk merepresentasikan masalah yang tidak dapat dilakukan atau direpresentasikan dengan menggunakan logika proposisi. Contohnya: Misalnya proposisi: mobil berada dalam garasi, dapat dinyatakan menjadi: Di dalam mobil,garasi. Di dalam = keterangan, mobil = obyek, garasi = obyek Universitas Sumatera Utara 28

2.2.6.2 Jaringan Semantik Semantic Nets

Salah satu skema representasi pengetahuan tertua dan termudah adalah jaringan semantik. Representasi jaringan semantik merupakan penggambaran grafis dari pengetahuan yang memperlihatkan hubungan hirarki dari obyek-obyek. Komponen dasar untuk merepresentasikan pengetahuan dalam bentuk jaringan semantik adalah simpul node dan penghubung link.

2.6.2.3 Bingkai Frame

Bingkai berupa ruang-ruang slots yang berisi atribut untuk mendeskripsikan pengetahuan. Pengetahuan yang termuat dalam slot dapat berupa kejadian, lokasi, situasi, ataupun elemen-elemen lainnya. Bingkai digunakan untuk merepresentasikan pengetahuan deklaratif [8]. Berikut adalah contoh tabel model representasi pengetahuan bingkai frame. Tabel 2.1 Representasi Bingkai Pada Bingkai Penyakit Ruang slots Isi fillers Nama Flu Gejala a. Bersin b. Pusing c. Demam Obat a. Ultraflu b. Mixagrib

2.2.6.4 Kaidah Produksi Production Rule

Kaidah menyediakan cara formal untuk merepresentasikan rekomendasi, arahan, atau strategi. Kaidah produksi dituliskan dalam bentuk jika-maka if-then. Kaidah if-then menghubungkan antaseden antacedent dengan konskuensi yang diakibatkannya. Universitas Sumatera Utara 29 Berbagai struktur kaidah if-then yang menghubungkan obyek atau atribut adalah sebagai berikut. JIKA premis MAKA konklusi JIKA masukan MAKA keluaran JIKA kondisi MAKA tindakan JIKA anteseden MAKA konsekuen JIKA data MAKA hasil JIKA tindakan MAKA tujuan Premis mengacu pada yang harus benar sebelum konklusi tertentu dapat diperoleh. Masukan mengacu pada data yang harus tersedia sebelum keluaran dapat diperoleh. Kondisi mengacu pada keadaan yang harus berlaku sebelum tindakan dapat diambil. Anteseden mengacu pada situasi yang terjadi sebelum konsekuensi dapat diamati. Data mengacu pada kegiatan yang harus dilakukan sebelum hasil dapat diharapkan. Tindakan mengacu pada kegiatan yang harus dilakukan sebelum hasil dapat diharapkan [8].

2.2.7 Mekanisme Inferensi

Mekanisme inferensi adalah bagian dari sistem pakar yang melakukan penalaran dengan menggunakan isi daftar aturan berdasarkan aturan dan pola tertentu. Selama proses konsultasi antar sistem dan pemakai, mekanisme inferensi menguji aturan satu demi satu sampai kondisi aturan tersebut benar. Fungsi motor inferensi merupakan pembuktian hipotesis. Bila hipotesis sudah dimasukkan ke dalam sistem pakar, maka motor inferensi pertama-tama mengecek apakah hipotesis sudah ada dalam basis data atau belum. Jika sudah ada, maka hipotesis dianggap sebagai fakta yang sudah dibuktikan, sehingga operasi tidak perlu dilanjutkan. Universitas Sumatera Utara 30 Ada dua metode inferensi yang paling penting dalam sistem pakar, yaitu runut maju forward chaining dan runut balik backward chaining.

2.2.7.1 Runut Maju Forward Chaining

Suatu perkalian inferensi yang menggabungkan suatu permasalahan dengan solusinya disebut dengan rantai chain. Suatu rantai yang dicari atau dilewati atau dilintasi dari suatu permasalahan untuk memperoleh solusinya disebut dengan forward chaining. Cara lain menggambarkan forward chaining ini adalah dengan penalaran dari fakta menuju konklusi yang terdapat dari fakta. Menurut Wilson dalam metode ini, data digunakan untuk menentukan aturan mana yang akan dijalankan, kemudian aturan tersebut dijalankan. Mungkin proses menambahkan data ke memori kerja. Proses diulang sampai ditemukan suatu hasil [8]. Menurut Giarattano dan Riley, metode inferensi runut maju cocok digunakan untuk menangani masalah pengendalian controling dan peramalan prognosis [8]. Berikut ini adalah contoh inferensi dengan menggunakan metode runut maju. JIKA penderita terkena penyakit epilepsi idiopatik dengan CF antara 0,4 sd 0,6. MAKA berikan obat carbamazepine Dalam metode ini, pendekatan yang dimotori data data-driven. Pelacakan ke depan ini dimulai dari informasi masukan, dan selanjutnya mencoba menggambarkan kesimpulan. Pelacakan ke depan mencari fakta yang sesuai dengan bagian IF dari aturan IF-THEN. Gambar 2.2 berikut menunjukkan proses forward chaining. Universitas Sumatera Utara 31 Gambar 2.2 Proses Forward Chaining

2.2.7.2 Runut Balik Backward Chaining

Suatu perkalian inferensi yang menggabungkan suatu permasalahan dengan solusinya disebut dengan rantai chain. Suatu rantai yang dilintasi dari suatu hipotesa kembali ke fakta yang mendukung hipotesa tersebut adalah backward chaining. Cara lain menggambarkan backward chaining adalah dalam hal tujuan yang dapat dipenuhi dengan pemenuhan sub tujuannya. Menurut Giarattano dan Riley dalam runut balik, penalaran dimulai dengan tujuan merunut balik ke jalur yang akan mengarahkan ke tujuan tersebut [8]. Runut balik disebut juga sebagai goal-driven reasoning, merupakan cara yang efisien untuk memecahkan masalah yang dimodelkan sebagai masalah pemilihan terstruktur. Tujuan dari inferensi ini adalah mengambil pilihan terbaik dari banyak kemungkinan. Menurut Schnupp metode inferensi ini cocok digunakan untuk memecahkan masalah dignosis. Berikut ini adalah contoh inferensi dengan menggunakan metode runut balik: Aturan 1: Mengalami epilepsi idiopatik lokal dengan certainty factor 0,63. JIKA tipe sawan parsial sederhana DAN EEG menunjukkan adanya fokus DAN penyebabnya tidak diketahui Fakta Fakta Observasi B Aturan Aturan Kesimpulan Kesimpulan Aturan Fakta Observasi A Aturan Universitas Sumatera Utara 32 Dalam metode ini, pendekatan yang dimotori tujuan goal-driven. Dalam pendekatan ini pelacakan dimulai dari tujuan, selanjutnya dicari aturan yang memiliki tujuan tersebut untuk kesimpulannya. Selanjutnya proses pelacakan menggunakan premis untuk aturan tersebut sebagai tujuan baru dan mencari aturan lain dengan tujuan baru sebagai kesimpulannya. Proses berlanjut sampai semua kemungkinan ditemukan. Gambar 2.3 menunjukkan proses backward chaining. Gambar 2.3 Proses Backward Chaining

2.3 Penyakit Jantung Berdasarkan Standar Kompetensi Dokter Indonesia