Sistem Pakar TINJAUAN PUSTAKA

9

2.1.5. Konsep Dasar Sistem Pakar

Menurut Turban 1995, konsep dasar sistem pakar mengandung keahlian, ahli, pengalihan keahlian, inferensi, aturan dan kemampuan menjelaskan. Keahlian adalah suatu kelebihan penguasaan pengetahuan dibidang tertentu yang diperoleh dari pelatihan, membaca atau pengalaman. Contoh bentuk pengetahuan yang termasuk keahlian adalah: 1. Fakta-fakta pada lingkup permasalahan tertentu. 2. Teori-teori pada lingkup permasalahan tertentu. 3. Prosedur-prosedur dan aturan-aturan berkenaan dengan lingkup permasalahan tertentu. 4. Strategi-strategi global untuk menyelesaikan masalah. 5. Meta-knowledge pengetahuan tentang pengetahuan. USER Knowledge Base Mesin Inferensi Fakta Keahlian SISTEM PAKAR Gambar 2.1. Konsep dasar fungsi sitem pakar Arhami, 2005

2.1.6. Struktur Sistem Pakar

Menurut Sutojo dkk 2011, sistem pakar terdiri dari dua bagian utama yaitu lingkungan pengembang Development Environment dan lingkungan konsultasi Consultation Environment. Struktur sistem pakar dapat dilihat pada Gambar 2.2. 10 Gambar 2.2. Struktur Sistem Pakar Sutojo dkk, 2011 Penjelasan mengenai struktur sistem pakar pada Gambar 2.2 adalah sebagai berikut : 1. Basis Pengetahuan Berisi pengetahuan-pengetahuan yang dibutuhkan untuk memahami, memformulasikan dan menyelesaikan masalah. 2. Mesin inferensi inference engine Program yang berisi metodologi yang digunakan untuk melakukan penalaran terhadap informasi-informasi dalam basis pengetahuan dan blackboard, serta digunakan untuk memformulasikan konklusi. 11 3. Subsistem penambahan pengetahuan Bagian ini digunakan untuk memasukkan pengetahuan, mengkonstruksi atau memperluas pengetahuan dalam basis pengetahuan. Pengetahuan bisa berasal dari ahli, buku, basis data, penelitian, dan gambar. 4. Blackboard Merupakan area dalam memori yang digunakan untuk merekam kejadian yang sedang berlangsung termasuk keputusan sementara. 5. Antarmuka Digunakan sebagai media komunikasi antara user dengan program. 6. Subsistem penjelasan Digunakan untuk melacak respon dan memberikan penjelasan tentang kelakuan sistem pakar secara interaktif melalui pertanyaan : a. Mengapa suatu pertanyaan ditanyakan oleh sistem pakar? b. Bagaimana konklusi dicapai? 7. Sistem penyaring pengetahuan Sistem ini digunakan untuk mengevaluasi kinerja sistem pakar itu sendiri untuk melihat apakah pengetahuan-pengetahuan yang ada masih cocok untuk digunakan dimasa mendatang.

2.1.6.1. Basis Pengetahuan

Basis pengetahuan berisi pengetahuan-pengetahuan dalam penyelesaian masalah, tentu di dalam domain tertentu. Ada 2 bentuk pendekatan basis pengetahuan yang sangat umum digunakan, yaitu: 12 1. Penalaran berbasis aturan Rule-Based Reasoning Pada penalaran berbasis aturan, pengetahuan direpresentasikan dengan menggunakan aturan berbentuk : IF-THEN. Bentuk ini digunakan apabila kita memiliki sejumlah pengetahuan pakar pada suatu permasalahan tertentu, dan si pakar dapat menyelesaikan masalah tersebut secara berurutan. Disamping itu, juga digunakan apabila dibutuhkan penjelasan tentang jejak langkah – langkah pencapaian solusi. 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 akan digunakan apabila user menginginkan untuk tahu lebih banyak lagi pada kasus-kasus yang hampir sama mirip. Selain itu, bentuk ini juga digunakan apabila kita telah memiliki sejumlah situasi atau kasus tertentu dalam basis pengetahuan. Dalam studi kasus pada sistem berbasis pengetahuan terdapat beberapa karakteristik yang dibangun untuk membantu dalam membentuk serangkaian prinsip-prinsip arsitekturnya. Prinsip tersebut meliputi: 1. Pengetahuan merupakan kunci kekuatan sistem pakar. 2. Pengetahuan sering tidak pasti dan tidak lengkap. 3. Pengetahuan sering miskin spesifikasi. 4. Amatir menjadi ahli secara bertahap. 5. Sistem pakar harus fleksibel. 6. Sistem pakar harus transparan. 13

2.1.6.2. Mesin Inferensi

Terdapat dua pendekatan untuk mengontrol inferensi dalam sistem pakar berbasis aturan, yaitu pelacakan ke belakang backward chaining dan pelacakan ke depan forward chaining. Pelacakan ke belakang adalah pendekatan yang di motori tujuan terlebih dahulu goal-driven. Dalam pendekatan ini pelacakan dimulai dari tujuan, selanjutnya dicari aturan yang memiliki tujuan tersebut untuk kesimpulannya. Observasi 1 Kaidah A Fakta 1 Kaidah C Observasi 4 Observasi 3 Observasi 2 Fakta 3 Kaidah D Kaidah B Fakta 2 Kaidah E Tujuan Gambar 2.3. Proses Backward Chaining Arhami,2005 Pelacakan kedepan adalah pendekatan yang dimotori data data driven. Dalam pendekatan ini pelacakan dimulai dari informasi masukan, dan selanjutnya mencoba menggambarkan kesimpulan. Pelacakan ke depan mencari fakta yang sesuai dengan bagian IF dari aturan IF-THEN. Observasi 1 Observasi 2 Kaidah A Kaidah B Fakta 2 Fakta 3 Kaidah D Kaidah E Fakta 1 Kaidah C Kesimpulan 3 Kesimpulan 1 Kesimpulan 2 Gambar 2.4. Proses Forward Chaining Arhami,2005 14 Kedua metode inferensi tersebut dipengaruhi oleh tiga macam penulusuran, yaitu Depth-first search, Breadth-first search dan Best-first search. 1. Depth-first search, melakukan penulusuran kaidah secara mendalam dari simpul akar bergerak menurun ke tingkat dalam yang berurutan. 1 10 13 7 16 4 15 6 9 5 12 14 3 11 8 2 Root Node Start Goal End Gambar 2.5. Diagram Alir Teknik Penelusuran Depth First Search Arhami,2005 2. Breadth-first search, bergerak dari simpul akar, simpul yang ada pada setiap tingkat diuji sebelum pindah ke tingkat selanjutnya. 1 7 6 8 10 5 4 3 2 Root Node Start Level 0 Level 1 Level 2 9 Gambar 2.6. Diagram Alir Teknik Penelusuran Breadth-first search Arhami, 2005 15 3. Best-first search, bekerja berdasarkan kombinasi kedua metode sebelumnya. 1 6 5 4 3 2 8 9 7 10 Goal Level 0 Level 2 Level 1 Root Node Start Gambar 2.7. Diagram Alir Teknik Penelusuran Best-first search

2.2. Metode Forward Chaining

Menurut Sutojo dkk 2011 metode forward chaining merupakan teknik pencarian yang dimulai dengan fakta yang diketahui, kemudian mencocokkan fakta-fakta tersebut dengan bagian dari rules IF-THEN. Bila ada fakta IF yang cocok dengan bagian IF, maka rule tersebut dieksekusi. Pencocokan berhenti bila tidak ada lagi rule yang bisa dieksekusi. Contoh studi kasus: A Mulai H B E I C F D J G K Kesimpulan 1 Kesimpulan 2 Kesimpulan 3 Rule aturan : • IF A and B and C and D THEN Kesimpulan 1 • IF A and E and F and G THEN Kesimpulan 2 • IF H and I and J and K THEN Kesimpulan 3 16 Iterasi 1 : Apakah A bernilai benar sesuai dengan fakta ? Jika A bernilai benar sesuai dengan fakta maka : - Fakta : A - Rule aturan yang mungkin : IF A and B and C and D THEN Kesimpulan 1 IF A and E and F and G THEN Kesimpulan 2 IF H and I and J and K THEN Kesimpulan 3 Iterasi 2 : Apakah B bernilai benar sesuai dengan fakta ? Jika B benar sesuai dengan fakta maka : - Fakta : A - Rule aturan yang mungkin : IF A and B and C and D THEN Kesimpulan 1 IF A and E and F and G THEN Kesimpulan 2 Iterasi 3 : Apakah E bernilai benar sesuai dengan fakta? Jika E bernilai benar sesuai dengan fakta maka : - Fakta : A, E - Rule aturan yang mungkin : IF A and E and F and G THEN Kesimpulan2 Iterasi 4 : Apakah F bernilai benar sesuai dengan fakta? Jika F bernilai salah tidak sesuai dengan fakta maka : - Fakta : A, E - Rule aturan yang mungkin : IF A and E and F and G THEN Kesimpulan2 Jika ruleaturan tinggal tersisa 1 maka, rule tidak dihapus dan akan di cek sampai IF pada rule tersebut habis dan menghasilkan kesimpulan. 17 Iterasi 5 : Apakah G bernilai benar sesuai dengan fakta? Jika F bernilai salah maka : - Fakta : A, E, G - Rule aturan yang mungkin : IF A and E and F and G THEN Kesimpulan 2 Berdasarkan fakta yang diketahui yaitu A, E dan G, lalu fakta-fakta tersebut dicocokkan dengan rule aturan yang ada maka didapatlah kesimpulan yang paling mendekati yaitu Kesimpulan 2.

2.3. Metode Classic Probability

Probabilitas merupakan suatu cara kuantitatif yang berhubungan dengan ketidakpastian yang telah ada. Teori probabilitas klasik pertama kali diperkenalkan oleh Pascal dan Fermat pada tahun 1654. Kemudian banyak kerja yang telah dilakukan untuk mengerjakan probabilitas dan ada beberapa cabang baru dari probabilitas yang dikembangkan. Probabilitas klasik disebut juga a priori probability karena berhubungan dengan suatu permainan games atau sistem. Seperti yang telah disebutkan sebelumnya, istilah a priori berarti “sebelum” Arhami, 2005. Rumus umum untuk probabilitas klasik di definisikan sebagai peluang PA dengan n adalah banyaknya kejadian, nA merupakan banyaknya hasil mendapatkan A. Frekuensi relatif terjadinya A adalah maka Arhami, 2005 : PA= nA N ................................ 1 18 Keterangan : A : Ikan Cyprinus caprio PA : Peluang ikan Cyprinus caprio n : Jumlah seluruh ciri ikan Cyprinus caprio nA : Jumlah ciri ikan Cyprinus caprio yang dipilihsesuai Probabilitas klasik ini digunakan untuk mendapatkan peluang kemungkinan suatu jenis ikan, sehingga untuk menghitung persentase adalah : Persentase A = PA x 100 Tabel 2. 1. Tabel Kemungkinan Kondisi Presentase Pasti Tidak 10 Tidak Tahu 10-19 Hampir Mungkin 20-39 Mungkin 40-59 Kemungkinan Besar 60-79 Hampir Pasti 80-99 Pasti 100

2.4. Context Diagram

Context diagram adalah DFD pertama dalam proses bisnis. Menunjukkan semua proses dalam satu proses tunggal. Context diagram juga menunjukkan semua entitas luar yang menerima informasi dari atau memberikan informasi ke sistem Al Fatta, 2007. ......................... 2