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