BAB II LANDASAN TEORI 2.1
BAB II
LANDASAN TEORI
2.1
KECERDASAN BUATAN
Salah satu cabang ilmu komputer yang dapat membantu manusia adalah kecerdasan
buatan atau artificial intelligence. Kecerdasan buatan adalah cabang ilmu komputer
yang bertujuan untuk membuat sebuah komputer dapat berpikir dan bernalar seperti
manusia. Tujuan praktis dari kecerdasan buatan ini adalah membuat komputer
semakin berguna bagi manusia. Kecerdasan buatan dapat membantu manusia dalam
membuat keputusan, mencari informasi secara lebih akurat, atau membuat komputer
lebih mudah digunakan dengan tampilan yang menggunakan bahasa natural sehingga
mudah dipahami. Salah satu bagian dari sistem kecerdasan buatan adalah sistem pakar
dimana sistem pakar adalah bagian dari ilmu Kecerdasan buatan yang secara spesifik
berusaha mengadopsi kepakaran seseorang di bidang tertentu ke dalam suatu sistem
atau program komputer [8].
2.2
SISTEM PAKAR
Secara umum, sistem pakar adalah sistem yang berusaha mengadopsi pengetahuan
manusia ke komputer yang dirancang untuk memodelkan kemampuan menyelesaikan
masalah seperti layaknya seorang pakar. Dengan sistem pakar ini, orang awam pun
dapat menyelesaikan masalahnya atau hanya sekedar mencari suatu informasi
berkualitas yang sebenarnya hanya dapat diperoleh dengan bantuan para ahli di
bidangnya. Sistem pakar ini juga akan dapat membantu aktivitas para pakar sebagai
asisten yang berpengalaman dan mempunyai asisten yang berpengalaman dan
mempunyai pengetahuan yang dibutuhkan. Dalam penyusunannya, sistem pakar
mengkombinasikan kaidah-kaidah penarikan kesimpulan (inference rules) dengan
basis pengetahuan tertentu yang diberikan oleh satu atau lebih pakar dalam bidang
Universitas Sumatera Utara
tertentu. Kombinasi dari kedua hal tersebut disimpan dalam komputer, yang
selanjutnya digunakan dalam proses pengambilan keputusan untuk penyelesaian
masalah tertentu [6].
2.2.1 Sejarah Sistem Pakar
Sistem pakar mulai dikembangkan pada pertengahan tahun 1960-an oleh Artificial
Intelligence Corporation. Periode penelitian kecerdasan buatan ini didominasi oleh
suatu keyakinan bahwa nalar yang digabung dengan komputer canggih akan
menghasilkan presatasi pakar atau bahkan manusia super. Suatu usaha ke arah ini
adalah General Purpose Problem Solver (GPS) yang dikembangkan oleh Allen
Newell, John Cliff Shaw, dan Herbert Alexander Simon. GPS merupakan sebuah
percobaan untuk menciptakan mesin yang cerdas.
Pada pertengahan tahun 1960-an, terjadi pergantian program serba bisa ke
program dengan kegunaan khusus/spesialis dengan dikembangkannya DENDRAL
oleh E. Feigenbaum dari Universitas Stanford. Pembuatan DENDRAL mengarah pada
kesimpulan berikut: pemecahan masalah manusia adalah baik jika hanya beroperasi
dalam domain yang sangat sempit. Sistem pakar harus di-update secara berkala untuk
informasi baru, update semacam ini dapat efisien apabila menggunakan representasi
pengetahuan berbasis rule.
Problem yang kompleks membutuhkan pengetahuan yang banyak sekali
tentang area problem. Pada pertengahan 1970-an, beberapa sistem pakar mulai
muncul. Sebuah pengetahuan kunci yang dipelajari saat itu adalah kekuatan dari
sebuah sistem pakar berasal dari pengetahuan spesifik yang dimilikinya, bukan dari
pola penarikan kesimpulan yang digunakannya. 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.
Universitas Sumatera Utara
MYCIN merupakan program interaktif yang melakukan diagnosis penyakit
meningitis dan infeksi bacremia serta memberikan rekomendasi terapi antimikrobia.
MYCIN mampu memberikan penjelasan atas penalarannya secara detail. Dalam uji
coba, program ini mampu menunjukkan kemampuan seperti seorang spesialis.
Meskipun MYCIN tidak pernah digunakan secara rutin oleh dokter, MYCIN
merupakan referensi yang bagus dalam penelitian kecerdasan buatan yang lain [4].
2.2.2 Ciri-ciri Sistem Pakar
Sistem pakar yang baik harus memenuhi ciri-ciri sebagai berikut:
1. Mudah dimodifikasi, yaitu dengan menambah atau menghapus suatu
pengetahuan dari basis pengetahuannya.
2. Memiliki kemampuan untuk belajar beradaptasi.
3. Terbatas pada bidang spesifik.
4. Output tergantung dialog antara pengguna (User)
5. Knowledge base dan inferensi terpisah [2]
6. Memiliki fasilitas informasi yang handal.
7. Dapat digunakan dalam berbagai jenis komputer [3].
2.2.3 Keuntungan Sistem Pakar
Secara garis besar, banyak manfaat yang dapat diambil dengan adanya sistem
pakar, antara lain [5]:
1. Memungkinkan orang awam untuk dapat melakukan pekerjaan pakar.
2. Meningkatkan produktifitas kerja dengan jalan meningkatkan efisien.
3. Menghemat waktu dalam menyelesaikan masalh pekerjaan.
4. Dapat melakukan proses rumit berulang-ulang secara otomatis yang bagi
kebanyakn orang mungkin membosankan.
5. Dapat digunakan untuk 24 jam sehari.
6. Menghasilkan keluaran yang konsisten.
Universitas Sumatera Utara
2.2.4 Kelemahan Sistem Pakar
Disamping memiliki beberapa keuntungan, sistem pakar juga memiliki beberapa
kelemahan, antara lain [5]:
1. Masalah dalam mendapatkan pengetahuan diaman pengetahuan tidak selalu
didapatkan dengan mudah, karena kadang kala perkara dari masalah yang kita
buat tidak ada, dan kalau pun ada kadang-kadang pendekatan yang dimiliki
oleh pakar berbeda-beda.
2. Untuk membuat sistem pakar yang benar-benar berkualitas tinggi sangatlah
sulit dan memerlukan biaya yang sangat besar untuk pengembangan dan
pemeliharannya.
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 di uji ulang secara teliti
sebelum digunakan.
2.2.5 Konsep Dasar Sistem Pakar
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 [3]:
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).
Universitas Sumatera Utara
2.2.6 Arsitektur Sistem Pakar
Arsitektur sistem pakar dapat dilihat pada gambar 1 di bawah ini dimana sebuah
sistem pakar terdiri dari tiga modul utama, yaitu: knowledge base, working memory
dan inference engine yang merupakan bagian utama dari sebuah sistem pakar.
Sedangkan bagian-bagian selain ketiga komponen utama itu adalah : user interface,
developer interface, explanation facility, dan external programs.
Inference
engine
Working
Memory
Explanation
facility
User
interface
User
Knowledge
base
External
programs
Developer
interface
Knowledge Enginner
Gambar 2.1 Arsitektur Sistem Pakar
Keterangan :
1. Knowledge base adalah representasi pengetahuan dari seorang atau beberapa
pakar yang diperlukan untuk memahami, memformulasikan dan memecahkan
masalah. Dalam hal ini digunakan untuk memecahkan masalah-masalah yang
terjadi pada komputer. Knowledge base ini terdiri dari dua elemen dasar, yaitu
fakta dan rules.
2. Inference engine merupakan otak dari sistem pakar yang mengandung
mekanisme fungsi berpikir dan pola-pola penalaran sistem yang digunakan
oleh seorang pakar. Mekanisme ini yang menganalisis suatu masalah tertentu
dan kemudian mencari solusi atau kesimpulan yang terbaik.
3. Working Memory merupakan tempat penyimpanan fakta-fakta yang diketahui
dari hasil menjawab pertanyaan.
Universitas Sumatera Utara
4. User/developer interface. Semua software pengembangan sistem pakar
memberikan interface yang berbeda bagi user dan developer. User akan
berhadapan dengan tampilan yang sederhana dan mudah sedangkan developer
akan berhadapan dengan editor dan source code waktu mengembangkan
program
5. Explanation facility memberikan penjelasan saat mana user mengetahui
apakah alasan yang diberikan sebuah solusi.
6. External programs. Berbagai program seperti database, spreadsheets,
algorithms, dan lainnya yang berfungsi untuk mendukung sistem [8].
2.2.7 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) [1].
2.2.7.1 Model Representasi Pengetahuan
Setelah pengetahuan berhasil diakuisisi, pengetahuan harus diorganisasi dan diatur
dalam suatu konfigurasi dengan suatu format/ representasi tertentu. Metode
representasi pengetahuan yang penting adalah [5]:
1. Logika (logic)
Logika merupakan suatu proses pengkajian ilmiah tentang serangkaian
penalaran, sistem kaidah dan prosedur yang membantu proses penalaran.
Universitas Sumatera Utara
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)..
3. Object Atributte Value (OAV)
Objek dapat berupa fisik atau konsep. Atribut adalah karakteristik atau sifat dari
objek tersebut. Value (nilai) adalah besaran/nilai/takaran spesifik dari atribut pada
situasi tertentu, dapat berupa numerik, string, atau boolean. Sebuah objek dapat
memiliki beberapa atribut dan disebut OAV Multi-attribute.
4. 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.
5. Kaidah Produksi (production rule).
Kaidah menyediakan cara formal untuk merepresentasikan rekomendasi,
arahan, atau strategi
2.2.7.2 Kaidah Produksi
Kaidah menyediakan cara formal untuk merepresentasikan rekomendasi, arahan, atau
strategi. Pada aturan produk atau kaidah produksi pengetahuan disajikan dalam aturanaturan yang berbentuk pasangan keadaan-aksi (condition-action): “JIKA keadaan
terpenuhi atau terjadi MAKA suatu aksi akan terjadi”. Sistem Pakar yang basis
pengetahuannya selalu disajikan dalam bentuk aturan produk disebut sistem berbasisaturan (rule-based sistem). Dari decision table yang telah tereduksi, setiap barisnya
dapat dikonversikan menjadi IF_THEN Rule. Setiap baris pada decision table yang
Universitas Sumatera Utara
telah tereduksi akan membentuk satu set rule final. Struktur dan penulisan rule adalah
sebagai berikut:
1.
RULE: label: Tabel yang berisi nama rule tersebut.
2. IF: sebagai penanda awal kondisi.
3. THEN: sebagai penanda awal kesimpulan pada sebuah rule.
4. ELSE: sebagai penanda awal alternatif kesimpulan pada sebuah rule, bersifat
opsional, jadi boleh tidak ada.
Operator yang dapat digunakan pada IF-THEN rule adalah:
a. AND: semua kondisi yang dihubungkan oleh operator ini harus bernilai benar,
agar kondisi keseluruhan rule tersebut bernilai benar. Bila ada satu
kondisi yang bernilai salah, keseluruhan rule tersebut bernilai salah.
b. OR : Bila semua kondisi yang dihubungkan oleh operator ini bernilai salah,
maka kondisi keseluruhan rule tersebut bernilai salah, bila ada salah
satu kondisi atau lebih yang bernilai benar, keseluruhan rule tersebut
bernilai benar [9].
2.2.8 Strategi Pencarian Pada Mesin Inferensi
Ada dua strategi pencarian dasar yang bisa digunakan oleh mesin inferensi dalam
mencari kesimpulan untuk mendapatkan solusi bagi permasalahan yang dihadapi
sistem pakar, yaitu runut maju (forward chaining) dan runut balik (backward
chaining). Berikut ini penjelasan mengenai kedua strategi pencarian tersebut :
1. Runut Maju (forward Chaining)
Runut maju merupakan strategi pencarian yang memulai proses pencarian dari
sekumpulan data atau fakta, dari data-data tersebut dicari suatu kesimpulan
yang menjadi solusi dari permasalahan yang dihadapi. Mesin inferensi mencari
kaidah-kaidah dalam basis pengetahuan yang premisnya sesuai dengan data-
Universitas Sumatera Utara
data tersebut, kemudian dari kaidah-kaidah tersebut diperoleh suatu
kesimpulan. Runut maju memulai proses pencarian dengan data sehingga
strategi ini disebut juga data-driven.
2. Runut Balik (Backward Chaining)
Runut balik merupakan strategi pencarian yang arahnya kebalikan dari runut
maju. 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 dirunut balik 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. Runut balik memulai proses
pencarian dengan suatu tujuan sehingga strategi ini disebut juga goal-driven
[11].
Universitas Sumatera Utara
LANDASAN TEORI
2.1
KECERDASAN BUATAN
Salah satu cabang ilmu komputer yang dapat membantu manusia adalah kecerdasan
buatan atau artificial intelligence. Kecerdasan buatan adalah cabang ilmu komputer
yang bertujuan untuk membuat sebuah komputer dapat berpikir dan bernalar seperti
manusia. Tujuan praktis dari kecerdasan buatan ini adalah membuat komputer
semakin berguna bagi manusia. Kecerdasan buatan dapat membantu manusia dalam
membuat keputusan, mencari informasi secara lebih akurat, atau membuat komputer
lebih mudah digunakan dengan tampilan yang menggunakan bahasa natural sehingga
mudah dipahami. Salah satu bagian dari sistem kecerdasan buatan adalah sistem pakar
dimana sistem pakar adalah bagian dari ilmu Kecerdasan buatan yang secara spesifik
berusaha mengadopsi kepakaran seseorang di bidang tertentu ke dalam suatu sistem
atau program komputer [8].
2.2
SISTEM PAKAR
Secara umum, sistem pakar adalah sistem yang berusaha mengadopsi pengetahuan
manusia ke komputer yang dirancang untuk memodelkan kemampuan menyelesaikan
masalah seperti layaknya seorang pakar. Dengan sistem pakar ini, orang awam pun
dapat menyelesaikan masalahnya atau hanya sekedar mencari suatu informasi
berkualitas yang sebenarnya hanya dapat diperoleh dengan bantuan para ahli di
bidangnya. Sistem pakar ini juga akan dapat membantu aktivitas para pakar sebagai
asisten yang berpengalaman dan mempunyai asisten yang berpengalaman dan
mempunyai pengetahuan yang dibutuhkan. Dalam penyusunannya, sistem pakar
mengkombinasikan kaidah-kaidah penarikan kesimpulan (inference rules) dengan
basis pengetahuan tertentu yang diberikan oleh satu atau lebih pakar dalam bidang
Universitas Sumatera Utara
tertentu. Kombinasi dari kedua hal tersebut disimpan dalam komputer, yang
selanjutnya digunakan dalam proses pengambilan keputusan untuk penyelesaian
masalah tertentu [6].
2.2.1 Sejarah Sistem Pakar
Sistem pakar mulai dikembangkan pada pertengahan tahun 1960-an oleh Artificial
Intelligence Corporation. Periode penelitian kecerdasan buatan ini didominasi oleh
suatu keyakinan bahwa nalar yang digabung dengan komputer canggih akan
menghasilkan presatasi pakar atau bahkan manusia super. Suatu usaha ke arah ini
adalah General Purpose Problem Solver (GPS) yang dikembangkan oleh Allen
Newell, John Cliff Shaw, dan Herbert Alexander Simon. GPS merupakan sebuah
percobaan untuk menciptakan mesin yang cerdas.
Pada pertengahan tahun 1960-an, terjadi pergantian program serba bisa ke
program dengan kegunaan khusus/spesialis dengan dikembangkannya DENDRAL
oleh E. Feigenbaum dari Universitas Stanford. Pembuatan DENDRAL mengarah pada
kesimpulan berikut: pemecahan masalah manusia adalah baik jika hanya beroperasi
dalam domain yang sangat sempit. Sistem pakar harus di-update secara berkala untuk
informasi baru, update semacam ini dapat efisien apabila menggunakan representasi
pengetahuan berbasis rule.
Problem yang kompleks membutuhkan pengetahuan yang banyak sekali
tentang area problem. Pada pertengahan 1970-an, beberapa sistem pakar mulai
muncul. Sebuah pengetahuan kunci yang dipelajari saat itu adalah kekuatan dari
sebuah sistem pakar berasal dari pengetahuan spesifik yang dimilikinya, bukan dari
pola penarikan kesimpulan yang digunakannya. 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.
Universitas Sumatera Utara
MYCIN merupakan program interaktif yang melakukan diagnosis penyakit
meningitis dan infeksi bacremia serta memberikan rekomendasi terapi antimikrobia.
MYCIN mampu memberikan penjelasan atas penalarannya secara detail. Dalam uji
coba, program ini mampu menunjukkan kemampuan seperti seorang spesialis.
Meskipun MYCIN tidak pernah digunakan secara rutin oleh dokter, MYCIN
merupakan referensi yang bagus dalam penelitian kecerdasan buatan yang lain [4].
2.2.2 Ciri-ciri Sistem Pakar
Sistem pakar yang baik harus memenuhi ciri-ciri sebagai berikut:
1. Mudah dimodifikasi, yaitu dengan menambah atau menghapus suatu
pengetahuan dari basis pengetahuannya.
2. Memiliki kemampuan untuk belajar beradaptasi.
3. Terbatas pada bidang spesifik.
4. Output tergantung dialog antara pengguna (User)
5. Knowledge base dan inferensi terpisah [2]
6. Memiliki fasilitas informasi yang handal.
7. Dapat digunakan dalam berbagai jenis komputer [3].
2.2.3 Keuntungan Sistem Pakar
Secara garis besar, banyak manfaat yang dapat diambil dengan adanya sistem
pakar, antara lain [5]:
1. Memungkinkan orang awam untuk dapat melakukan pekerjaan pakar.
2. Meningkatkan produktifitas kerja dengan jalan meningkatkan efisien.
3. Menghemat waktu dalam menyelesaikan masalh pekerjaan.
4. Dapat melakukan proses rumit berulang-ulang secara otomatis yang bagi
kebanyakn orang mungkin membosankan.
5. Dapat digunakan untuk 24 jam sehari.
6. Menghasilkan keluaran yang konsisten.
Universitas Sumatera Utara
2.2.4 Kelemahan Sistem Pakar
Disamping memiliki beberapa keuntungan, sistem pakar juga memiliki beberapa
kelemahan, antara lain [5]:
1. Masalah dalam mendapatkan pengetahuan diaman pengetahuan tidak selalu
didapatkan dengan mudah, karena kadang kala perkara dari masalah yang kita
buat tidak ada, dan kalau pun ada kadang-kadang pendekatan yang dimiliki
oleh pakar berbeda-beda.
2. Untuk membuat sistem pakar yang benar-benar berkualitas tinggi sangatlah
sulit dan memerlukan biaya yang sangat besar untuk pengembangan dan
pemeliharannya.
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 di uji ulang secara teliti
sebelum digunakan.
2.2.5 Konsep Dasar Sistem Pakar
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 [3]:
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).
Universitas Sumatera Utara
2.2.6 Arsitektur Sistem Pakar
Arsitektur sistem pakar dapat dilihat pada gambar 1 di bawah ini dimana sebuah
sistem pakar terdiri dari tiga modul utama, yaitu: knowledge base, working memory
dan inference engine yang merupakan bagian utama dari sebuah sistem pakar.
Sedangkan bagian-bagian selain ketiga komponen utama itu adalah : user interface,
developer interface, explanation facility, dan external programs.
Inference
engine
Working
Memory
Explanation
facility
User
interface
User
Knowledge
base
External
programs
Developer
interface
Knowledge Enginner
Gambar 2.1 Arsitektur Sistem Pakar
Keterangan :
1. Knowledge base adalah representasi pengetahuan dari seorang atau beberapa
pakar yang diperlukan untuk memahami, memformulasikan dan memecahkan
masalah. Dalam hal ini digunakan untuk memecahkan masalah-masalah yang
terjadi pada komputer. Knowledge base ini terdiri dari dua elemen dasar, yaitu
fakta dan rules.
2. Inference engine merupakan otak dari sistem pakar yang mengandung
mekanisme fungsi berpikir dan pola-pola penalaran sistem yang digunakan
oleh seorang pakar. Mekanisme ini yang menganalisis suatu masalah tertentu
dan kemudian mencari solusi atau kesimpulan yang terbaik.
3. Working Memory merupakan tempat penyimpanan fakta-fakta yang diketahui
dari hasil menjawab pertanyaan.
Universitas Sumatera Utara
4. User/developer interface. Semua software pengembangan sistem pakar
memberikan interface yang berbeda bagi user dan developer. User akan
berhadapan dengan tampilan yang sederhana dan mudah sedangkan developer
akan berhadapan dengan editor dan source code waktu mengembangkan
program
5. Explanation facility memberikan penjelasan saat mana user mengetahui
apakah alasan yang diberikan sebuah solusi.
6. External programs. Berbagai program seperti database, spreadsheets,
algorithms, dan lainnya yang berfungsi untuk mendukung sistem [8].
2.2.7 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) [1].
2.2.7.1 Model Representasi Pengetahuan
Setelah pengetahuan berhasil diakuisisi, pengetahuan harus diorganisasi dan diatur
dalam suatu konfigurasi dengan suatu format/ representasi tertentu. Metode
representasi pengetahuan yang penting adalah [5]:
1. Logika (logic)
Logika merupakan suatu proses pengkajian ilmiah tentang serangkaian
penalaran, sistem kaidah dan prosedur yang membantu proses penalaran.
Universitas Sumatera Utara
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)..
3. Object Atributte Value (OAV)
Objek dapat berupa fisik atau konsep. Atribut adalah karakteristik atau sifat dari
objek tersebut. Value (nilai) adalah besaran/nilai/takaran spesifik dari atribut pada
situasi tertentu, dapat berupa numerik, string, atau boolean. Sebuah objek dapat
memiliki beberapa atribut dan disebut OAV Multi-attribute.
4. 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.
5. Kaidah Produksi (production rule).
Kaidah menyediakan cara formal untuk merepresentasikan rekomendasi,
arahan, atau strategi
2.2.7.2 Kaidah Produksi
Kaidah menyediakan cara formal untuk merepresentasikan rekomendasi, arahan, atau
strategi. Pada aturan produk atau kaidah produksi pengetahuan disajikan dalam aturanaturan yang berbentuk pasangan keadaan-aksi (condition-action): “JIKA keadaan
terpenuhi atau terjadi MAKA suatu aksi akan terjadi”. Sistem Pakar yang basis
pengetahuannya selalu disajikan dalam bentuk aturan produk disebut sistem berbasisaturan (rule-based sistem). Dari decision table yang telah tereduksi, setiap barisnya
dapat dikonversikan menjadi IF_THEN Rule. Setiap baris pada decision table yang
Universitas Sumatera Utara
telah tereduksi akan membentuk satu set rule final. Struktur dan penulisan rule adalah
sebagai berikut:
1.
RULE: label: Tabel yang berisi nama rule tersebut.
2. IF: sebagai penanda awal kondisi.
3. THEN: sebagai penanda awal kesimpulan pada sebuah rule.
4. ELSE: sebagai penanda awal alternatif kesimpulan pada sebuah rule, bersifat
opsional, jadi boleh tidak ada.
Operator yang dapat digunakan pada IF-THEN rule adalah:
a. AND: semua kondisi yang dihubungkan oleh operator ini harus bernilai benar,
agar kondisi keseluruhan rule tersebut bernilai benar. Bila ada satu
kondisi yang bernilai salah, keseluruhan rule tersebut bernilai salah.
b. OR : Bila semua kondisi yang dihubungkan oleh operator ini bernilai salah,
maka kondisi keseluruhan rule tersebut bernilai salah, bila ada salah
satu kondisi atau lebih yang bernilai benar, keseluruhan rule tersebut
bernilai benar [9].
2.2.8 Strategi Pencarian Pada Mesin Inferensi
Ada dua strategi pencarian dasar yang bisa digunakan oleh mesin inferensi dalam
mencari kesimpulan untuk mendapatkan solusi bagi permasalahan yang dihadapi
sistem pakar, yaitu runut maju (forward chaining) dan runut balik (backward
chaining). Berikut ini penjelasan mengenai kedua strategi pencarian tersebut :
1. Runut Maju (forward Chaining)
Runut maju merupakan strategi pencarian yang memulai proses pencarian dari
sekumpulan data atau fakta, dari data-data tersebut dicari suatu kesimpulan
yang menjadi solusi dari permasalahan yang dihadapi. Mesin inferensi mencari
kaidah-kaidah dalam basis pengetahuan yang premisnya sesuai dengan data-
Universitas Sumatera Utara
data tersebut, kemudian dari kaidah-kaidah tersebut diperoleh suatu
kesimpulan. Runut maju memulai proses pencarian dengan data sehingga
strategi ini disebut juga data-driven.
2. Runut Balik (Backward Chaining)
Runut balik merupakan strategi pencarian yang arahnya kebalikan dari runut
maju. 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 dirunut balik 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. Runut balik memulai proses
pencarian dengan suatu tujuan sehingga strategi ini disebut juga goal-driven
[11].
Universitas Sumatera Utara