matematika atau prosedur sekuensial untuk menghasilkan solusi. Lain halnya dengan pemrograman dalam kecerdasan buatan yang berbasis pada representasi simbol dan
manipulasi. Dalam kecerdasan buatan, sebuah simbol dapat berupa kalimat, kata, atau angka yang digunakan untuk merepresentasikan objek, proses, dan hubungannya.
Objek dapat berupa manusia, benda, ide, konsep, kegiatan, atau pernyataan dari suatu fakta Kusrini, 2006. Proses digunakan untuk memanipulasi simbol untuk
menghasilkan saran atau pemecahan masalah. Selain itu kecerdasan buatan dapat melakukan penalaran terhadap data yang tidak lengkap. Hal ini sangat mustahil
dilakukan oleh pemrograman konvensional. Kemampuan penalaran dan penjelasan terhadap setiap langkah dalam pengambilan keputusan menjadi kelebihan dari
kecerdasan buatan. Ada tiga tujuan kecerdasan buatan, yaitu: membuat komputer lebih cerdas, mengerti tentang kecerdasan dan membuat mesin lebih berguna.
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 Kusrini, 2006.
Pemecahan masalah-masalah yang komplek biasanya hanya dapat dilakukan oleh sejumlah orang yang sangat terlatih, yaitu pakar. Dengan penerapan teknik
kederdasan buatan, sistem pakar menirukan apa yang dikerjakan oleh seorang pakar ketika mengatasi permasalahan yang rumit, berdasarkan pengetahuan yang dimiliki
Hartati, 2008.
2.2.1 Sejarah Sistem Pakar
Sistem pakar mulai dikembangkan pada pertengahan tahun 1960-an oleh komunitas AI. Periode peneliatan kecerdasan buatan ini didominasi olah suatu keyakinan bahwa
nalar yang digabung dengan komputer cangih akan menghasilkan prestasi pakar atau manusia pakar. Sistem pakar yang pertama kali muncul adalah General-purpose
Problem Solver GPS yang dikembangkan oleh Newel dan Simon. GPS dan
Universitas Sumatera Utara
program-program yang serupa ini mengalami kegagalan karena cakupannya terlalu luas sehingga terkadang justru meninggalkan pengetahuan-pengetahuan penting yang
seharusnya disediakan Sinaga, 2010 . Pada pertengahan tahun 1960-an, terjadi pergantian dari program serba bisa
general-purpose ke program yang spesial special-purpose dengan dikembangkannya DENDRAL oleh E. Feigenbaum dari Universitas Stanford dan
kemudian diikuti oleh MYCIN. Pada pertengahan tahun 1970-an, beberapa expert system mulai muncul.
Sebuah pengetahuan kunci yang dipelajari saat itu adalah kekuatan dari expert system berasal dari pengetahuan spesifik yang dimilikinya, bukan dari formalisme-
formalisme khusus dan pola penarikan kesimpulan yang digunakannya. Awal 1980-an teknologi expert system yang mula-mula dibatasi oleh suasana
akademis mulai muncul sebagai aplikasi komersial, 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 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. 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, MYCIN mampu menunjukkan kemampuan seperti seorang spesialis. Meskipun MYCIN tidak pernah digunakan secara rutin oleh dokter, MYCIN merupakan
inferensi yang bagus dalam kecerdasan buatan yang lain Kusrini, 2006.
2.2.2 Konsep Dasar Sistem Pakar
Universitas Sumatera Utara
Menurut Turban 1995, 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.
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 empat aktivitas, yaitu: tambahan pengetahuan dari para ahli atau sumber-sumber lainnya, representasi pengetahuan ke komputer, inferensi
pengetahuan, dan pengalihan pengetahuan ke user. Pengetahuan yang disimpan di komputer disebut dengan nama basis pengetahuan. Ada dua tipe basis pengetahuan,
yaitu: fakta dan prosedur biasanya berupa aturan. Salah satu fitur yang harus dimiliki oleh sistem pakar adalah kemampuan
untuk menalar. 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 inferensi ini dikemas dalam bentuk motor inferensi inference engine.
Sebagian besar sistem pakar komersial dibuat dalam bentuk rule-based systems, yang mana pengetahuan disimpan dalam bentuk aturan-aturan. Aturan
tersebut biasanya berbentuk IF-THEN Kusumadewi, 2003.
2.2.3 Komponen Sistem Pakar
Sistem pakar sebagai sebuah program yang difungsikan untuk menirukan pakar manusia harus bisa melakkukan hal-hal yang dapat dikerjakan oleh seoarang pakar.
Untuk membangun sistem yang seperti itu maka komponen- komponen yang harus dimiliki adalah sebagai berikut Hartati, 2008:
1. Antarmuka Pengguna
Antarmuka merupakan mekanisme yang digunakan oleh pengguna dan sistem pakar untuk berkomunikasi. Antarmuka yang efektif dan ramah pengguna
penting sekali terutama bagi pemakai yang tidak ahli dalam bidang yang diterapkan pada system pakar.
Universitas Sumatera Utara
2. Basis Pengetahuan
Basis pengetahuan merupakan kumpulan pengetahuan bidang tertentu pada tingkatan pada format tertentu. Basis pengetahuan bersifat diamis, bisa
berkembang dari waktu ke waktu. Perkembangan iini disebabkan karena pengetahuaan selalu bertambah. Pada sistem pakar basis pengetahuan terpisah
dari mesin inferensi untuk pengembangan sistem pakar secara leluasa. 3.
Mesin Inferensi Mesin inferensi merupakan otak dari sistem pakar, berupa perangkat lunak
yang melakukan tugas inferensi penalaran sistem pakar, sering juga disebut dengan mesin pemikir. Pada prinsipnya mesin inferensi inilah yang akan
mencari solusi dari suatu permasalahan. Mesin inferensi ini sesunguhnya adalah program komputer yang menyediakan metodologi untuk melakukan
penalaran tentang informasi pada basis pengetahuan dan pada memori kerja, serta untuk merumuskan kesimpulan-kesimpulan.
4. Memori Kerja
Merupakan bagian dari sistem pakar yang menyimpan fakta-fakta yang diperoleh saat dilakukan proses konsultasi. Fakta-fakta inilah yang nantinya
akan diolah oleh mesin inferensi berdasarkan pengetahuan yang disimpan dalam basis pengetahuan untuk menetukan suatu keputusan pemecahan
masalah. Konklusinya bisa berupa hasil diagnosa, tindakan, akibat.
Sedangkan untuk menjadikan sistem pakar menjadi lebih menyerupai seorang pakar yang berinteraksi dengan pemakai, maka dilengkapi dengan fasiliats berikut:
1. Fasilitas Penjelasan
Karena pemakai kadangkala buaknlah ahli dalam bidang tersebut , maka dibuatlah fasilitas penjelas fasilitas inilah yang dapat memberikan informasi
kepada pemakai mengenai jalanya penalaran sehingga dihasilkan suatu keputusan. Bentuk penjelasanya bisa berupa keterangan yang diberikan setelah
suatu pertanyaan diajukan, yaitu penjelasan atas pertanyaan mengapa, atau penjelasan atas pertanyaan bagaimana system mencapai konklusi.
2. Fasilitas Akuisi Pengetahuan
Pengetahuan pada sistem pakar dapat ditambahkan kapan saja pengetahuana baru diperoleh atau saat pengetahuaan yang sudah ada sudah tidak berlaku
Universitas Sumatera Utara
lagi. Untuk melakukan proses penambahan ini sistem pakar dilengkapi dengan fasilitas akuisi pengetahuan. Akuisi pengetuan adalah proses pengumpulan,
perpindahan, dan transformasi dari keahlian pemecahan masalah yang berasal dari beberapa sumber pengetahuan ke dalam bentuk yang dimenerti komputer.
Gambar 2.1 Struktur Sistem Pakar
2.2.4 Basis Pengetahuan Knowledge Based
Basis pengetahuan berisi pengetahuan-pengetahuan dalam penyelesaian masalah, tentu saja di dalam domain tertentu. Ada dua bentuk pendekatan basis pengetahuan
yang sangat umum digunakan, yaitu: 1.
Penalaran berbasis aturan Rule-Based Reasoning Pada penalaran berbasis aturan, pengetahuan direpresentasikan dengan
menggunakan aturan berbentuk: IF-THEN. Bentuk ini digunakan apabila dimiliki sejumlah pengetahuan pakar pada suatu permasalahan tertentu dan si
pakar dapat menyelesaikan masalah tersebut secara berurutan. Di samping itu, bentuk ini juga digunakan apabila dibutuhkan penjelasan tentang jejak
langkah-langkah pencapaian solusi.
Universitas Sumatera Utara
2. Penalaran berbasis kasus Case-Based Reasoning
Pada penalaran berbasis kasus, basis pengetahuan akan berisi solusi-solusi yang telah dicapai sebelumnya, kemudian akan diturunkan suatu solusi untuk
keadaan yang terjadi sekarang fakta yang ada. Bentuk ini digunakan apabila user menginginkan untuk tahu lebih banyak lagi kasus-kasus yang hampir
sama mirip. Selain itu, bentuk ini juga digunakan apabila kita telah memiliki sejumlah situasi atau kasus tertentu dalam basis pengetahuan Sinaga, 2010.
2.2.5 Metode Inferensi
Dalam melakukan inferensi diperlukan adanya proses pengujian kaidah-kaidah dalam urutan tertentu untuk mencari yang sesuai dengan kondisi awal atau kondisi yang
berjalan yang sudah dimasukkan pada basis data. Perurutan adalah proses pencocokan fakta, pernyataan atau kondisi berjalan yang tersimpan pada basis pengetahuan
maupun pada memori kerja dengan kondisi yang dinyatakan pada premis atau bagian kondisi pada kaidah Hartati, 2008.
2.2.5.1 Runut Maju Forward Chaining
Runut maju berarti menggunakan himpunan aturan kondisi-aksi. 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. Metode inferensi runut maju cocok
digunakan untuk menangani masalah pengendalian controlling dan peramalan
prognosis Kusrini, 2006.
Untuk mempermudah pemahaman mengenai metode ini, akan diberikan ilustrasi kasus pembuatan sistem pakar sebagai berikut Kusrini, 2008:
Universitas Sumatera Utara
Aturan 9:
Jika Premis 1 Dan Premis 2
Dan Premis 3 Maka Konklusi 1
Aturan 10:
Jika Premis 1 Dan Premis 3
Dan Premis 4 Maka Konklusi 2
Aturan 11:
Jika Premis 2 Dan Premis 3
Dan Premis 5 Maka Konklusi 3
Jika aturan ini digambarkan sebagai sebuah graph yang memetakan antara premis-premis dan konklusi maka tampak seperti gambar dibawah ini:
Premis 1
Premis 2
Premis 3
Premis 4
Konklusi 1
Konklusi 2
Konklusi 3
Premis 5
Gambar 2.2 Graph pengetahuan
Universitas Sumatera Utara
Penelusuran maju pada kasus ini adalah untuk mengetahui apakah suatu fakta yang dialami oleh pengguna itu termasuk konklusi 1, konklusi 2, atau konklusi 3 atau
bahkan bukan salah satu konklusi tersebut, yang artinya sistem belum mampu mengambil kesimpulan karena keterbatasan aturan.
Dalam penalaran ini, user diminta memasukkan premis-premis yang dialami. Untuk memudahkan pengguna, sistem dapat memunculkan daftar premmis yang
mungkin sehingga user dapat memberikan umpan balik premis yang tersedia. Berdasarkan premis-premis yang dipilih, maka sistem akan mencari aturan yang
sesuai, sehingga akan diperoleh konklusinya Kusrini, 2008.
2.2.5.2 Runut Balik Backward Chaining
Runut balik merupakan metode penalaran kebalikan dari runut maju. Dalam runut balik, penalaran dimulai dengan tujuan merunut balik ke jalur yang akan mengarahkan
ke tujuan tersebut. Runut balik disebut juga sebagai goal-driven reasoning, merupakan caa yang efisien untuk memecahkan masalah yang dimodelkan sebagai
masalah pemilihan terstruktur.
Tujuan inferensi adalah mengambil piihan terbaik dari banyak kemungkinan. Metode inferensi runut balik ini cocok digunakan untuk memecahkan masalah
diagnosis. Dengan menggunakan kasus yang sama pada proses penalaran runut maju, yang ingin didapatkan pada penalaran ini juga sama yaitu salah satu Konklusi dari
Konklusi 1, Konklusi 2, Konklusi 3 atau bahkan tidak dari keempat konklusi tersebut Kusrini,2008.
2.3 Logika Fuzzy