Sistem Pakar Dan Logika Fuzzy - Repository UNIKOM
SISTEM PAKAR (Expert System)
- Sistem Pakar merupakan kumpulan pengetahuan
(basis pengetahuan) dari beberapa pakan yang digunakan untuk memecahkan suatu masalah
- Pada sistem pakar digunakan representasi pengetahuan berupa RULE (IF.. THEN), sehingga suatu sistem pakar merupakan kumpulan dari beberapa RULE
Beberapa aplikasi sistem pakar :
- Interpreting and identifying
- Instructing and training
- Predicting • Controlling • Diagnosing • Monitoring • Designing • Planning • Debugging and testing
Keuntungan Sistem Pakar
- Memungkinkan orang awam mengerjakan pekerjaan para ahli
• Bisa melakukan proses secara berulang secara
otomatis- Menyimpan pengetahuan dan keahlian para pakar (khususnya untuk pengetahuan yg langka)
• Mampu mengambil dan melestarikan keahlian
pakar- Memasukkan faktor ketidakpastian
- Menghemat waktu dalam mengambil keputusan
Kelemahan sistem pakar
- Sistem pakar biasanya dipakai hanya pada bidang tertentu sesuai dengan kepakaran
- Penambahan pengetahuan baru bisa mengubah program secara keseluruhan
- Kepastian dalam sistem pakar hanya berupa pendekatan saja.
Sistem Pakar dapat diorganisasikan
menjadi
- Knowlegde base : berisi rule/kaidah pemecahan masalah, prosedur dan data intrinsik yang berhubungan dengan problem domain
- Working memory : Tempat menyimpan data dari masalah yang akan dikerjakan
- Inference engine : Mekanisme yang mencari kesimpulan dengan cara mencocokkan pengetahuan di knowlegde base dan terhadap masalah yang muncul
Inference Engine Working Memory
Knowledge Base Knowledge Engineers
Users Expert
A. Pemodelan Basis Pengetahuan
(Knowledge Base)
- Jaringan Semantik • Frame • Script • Rule If-then
- Logika Predikat
Jaringan Semantik
- Merupakan gambaran pengetahuan yang dimodelkan secara grafis yang menunjukkan hubungan antar obyek
- Obyek digambarkan dengan lingkaran, obyek bisa berupa peristiwa ataupun fakta. Hubungan antar obyek dinyatakan dengan garis: Contoh relasi obyek: Mesin dibuat di toko, mesin menghasilkan gear dibuat
Mesin Toko
Semantic Network Operator Error Caused by Scrap number is
20 is a Part Needs Inspection Quality Teeth Generated by has Gear Condition is Requires is a Good Destination is Cutting Assembly Order Rotor Customer Shipping
Pohon Keputusan
- Merupakan jaringan semantik khusus yang penalarannya dimulai dari atas puncak
A: Apakah anda sakit A
B: Apakah sakitnya di tulang
C: Jika sehat apakah sering cek B C kesehatan
D: Jika di gigi berarti berlubang F E D
E: Jika di kulit atau bagian lain hubungi dokter F: Hati-hati penyakit dalam
Frames
- Berupa tabel dengan tiap slot bisa berisi
fakta, obyek, kelas dari obyek, situasi dan kejadian
- Urutan proses teratur berdasarkan kolom
Contoh : - Tabel pencocokan/Keputusan - Tabel kesamaan - Tabel perbedaan
Contoh Frame Gear Teet Number
20 Assembly Rotor Production Method Cutting Delivery Date 9/2/03
Script
- Representasi pengetahuan yang berupa skenario atau urutan kejadian
- Komponen script:
- Kondisi masukan
- Hasil yang diinginkan
- Aturan - Urutan peristiwa
- Contoh Script:
- Prosedur mematikan Proyektor Komputer - Skenario film
Rule
- Rule (Kaidah) dinyatakan dalam bentuk perintah If-Then: If premis Then Kesimpulan If input Then Output If kondisi Then aksi If antecedent Then konsekuensi If data Then Hasil • Beberapa premis atau antecendent dapat dihubungkan dengan logika AND atau OR
A B C H E D F G
Latihan
- Cobalah buat Rule dari semantik berikut:
I y y y y y y y y y t t t t t t t t
LOGIKA PREDIKAT
Logika predikat memberikan bagian fungsi dan fakta dalam bentuk Predikat(fakta, data)
Contoh : Produksi(meja, kursi, 30, sofa) OAV triplet
Object Attribute Value Gear Number of Teeth
20
Penggabungan Frame dengan Rule ROOT FRAME SUBFRAME PARMS : Frame Name : ASSET LESSEE-CASH PARMS : Frame Name : Finance FINANCE- INTEREST PRESERVES-CASH CANNOT-BORROW ACQUIRE-BY FINANCE-PERIOD ASSET-COST DOWN-PAYMENT 1 RULE : THEN CANNOT-BORROW IF LESSE-CREDIT = POOR 1 RULE : THEN FINANCE-IT (calculation) IF ACQUIRE-BY=PURCHASE 2 THEN HOW-T0-ACQUIRE BY = LEASE IF CANNOT-BORROW OR PRESERVES-CASH THEN FINANCE-IT (calculation) AND ACQUIRE=LEASE 3 2 IF FINANCE-IT IS KNOWN IF ACQUIRE-BY=LEASE
3 IF LESSE-CREDIT=FAIR AND CASH-RESERVE-NEEDED AND LESSEE-CASH = FAIR THEN PAYMENT = (external calculation) 4 THEN HOW-TO-AQUIRE=BUY IF HOW-TO-ACQUIRE IS NOTKNOWN THEN PRESERVE-CASH BUY-THE-ASSET
Logika Predikat
- Logika predikat dikembangkan dari propositional logic Logika propositional
- Suatu kalimat logika ini terdiri dari beberapa atomic proposition yang dihubungkan menggunakan logical connectivity
- Misal Proposition P: Alison suka wafel
Propositin Q: Alison makan wafel maka: : Alison suka wafel atau Alison makan wafel
Q P
: Alison suka wafel dan Alison makan wafel
Q P
: Alison tidak makan wafel
Q
: If Alison suka wafel maka Alison makan
Q P
wafel
Logika Predikat
Dalam kalimat logika predikat beberapa fakta dan variabel dihubungkan menggunakan fungsi berupa predikatnya :
- teman(alison, richard)
- teman(ayah(fred),ayah(joe))
- Suka(X,richard) Beberapa kalimat logika predikat dapat juga dihubungkan menggunakan penghubung logika
- teman(alison,richard) suka(alison,richard)
- suka(alison,richard) suka(alison,wafel)
- ((suka(alison,richard) suka(alison,wafel)
suka(alison,wafel)) suka(alison,richard) Suatu kalimat logika predikat dapat juga dinyatakan menggunakan quantifier ( dan )
- X burung(X) terbang(X)
Terdapat beberapa burung yang tidak bisa terbang
- X(orang(X) Y cinta(X,Y))
Setiap orang memiliki sesuatu yang dicintai Latihan :
- X meja(X) jumlah_kakinya(X,4)
Terdapat beberapa meja yang jumlah kakinya tidak
4
- X (macintosh(X) betul-betul_komputer(X))
Jika sesuatu benda adalah macintosh maka benda itu bukan betul-betul komputer
- X kue_creepes(X) (rasa(X,manis) rasa(X,pedas))
Logika predikat dan frame
Dapat saja logika predikat menyatakan bentuk frame misalnya jika terdapat obyek gajah memilik slot warna dengan value abu-abu maka
- X gajah(X) warna(X,Y) abu-abu(Y)
B. Inferensi Engine dengan Model
Penalaran
Penalaran merupakan proses lanjut dari representasi pengetahuan untuk menyelesaikan masalah
1. Sistem berbasiskan Rule
- Forward chaining system|
Fakta membuat suatu kesimpulan
- Backward chaining system
Kesimpulan telah ada kemudian mencari faktanya
2. Deduktif dan induktif Deduktif : dari informasi umum menjadi informasi khusus Induktif : dari informasi khusus menjadi informasi
Contoh Forward Chaining System
Terdapat beberapa Rule
1. IF (kuliah X) AND (ikut praktikum X) THEN ADD (kerja lembur X)
2. IF (bulan februari) THEN ADD (kuliah alison)
3. IF (bulan februari) THEN ADD (ikut praktikum X)
4. IF (kerja lembur X) OR (kurang tidur X) THEN ADD (bad-mood X)
5. IF (bad-mood X) THEN DELETE (gembira X)
6. IF (kuliah X)
Misal di memory ada (bulan februari) (gembira alison) (mencari alison) Dari RULE 2 dan 3 (kuliah alison) (bulan februari) (gembira alison) (mencari alison) Dari rule 3 dan 1 (kerja lembur alison) (ikut praktikum alison) (kuliah alison) (bulan februari) (gembira alison) (mencari alison)
Dari rule 4 dan 6 kemudian 5 (bad mood alison) (kerja lembur alison) (ikut praktikum alison) (kuliah alison) (bulan februari)
Contoh Forward Chaining
- Diketahui aturan sistem Pakar:
R1 : IF suku bunga turun THEN harga obligasi naik R2 : IF suku bunga naik THEN harga obligasi turun R3 : IF suku tidak berubah THEN harga obligasi tidak berubah R4 : IF dolar naik THEN suku bunga naik R5 : IF dolar turun THEN suku bunga naik R6 : IF harga obligasi turun THEN beli obligasi
- Jika dolar turun apakah obligasi akan dibeli?
3. Monotonik dan nonmonotonik
- Monotonik : penalaran dari parameter yang tidak akan pernah berubah once a thief, always a thief
- Non monotonik : penalaran dengan parameter yang bisa berubah sekarang presiden dulu anak petani
4. Penalaran berdasarkan pelacakan diagram semantik :
- Depth-First Search : pelacakan ke simpul premis terdalam tanpa melacak premis di dekatnya yang tidak diperlukan
- Breadth-First Search : semua premis pada cabang dilacak baru pindah ke simpul terdalam
Goal State Depth-first search Breadth-first search
Pemrograman sistem pakar
- Sekuensial Pemrograman yang berurutan
- Rekursif Pemrograman dengan memanggil berulang terhadap dirinya untuk menentukan kesimpulan sementara. Kesimpulan sementara diperoleh setelah kesimpulan terakhir didapat
- Contoh : Pemrograman Sekuensial Ada 2 buah teko masing-masing berkapasitas 4 galon (teko A) dan 3 galon (teko B). Tidak ada tanda yang menunjukkan batas ukuran pada kedua teko tersebut. Ada sebuah pompa air yang akan digunakan untuk mengisi air pada kedua teko tersebut. Permasalahannya bagaimana dapat mengisikan tepat 2 galon air ke dalam teko yang berkapasitas 4 galon
Air tak terbatas Teko A
Teko B
Aturan
1: Jika x < 4 maka isi teko A (4,y) 2: Jika y < 3 maka isi teko B (x,3) 3: Jika x > 0 maka tuangkan sebagian air keluar dari teko A (x-d,y) 4: Jika y>0 maka tuangkan sebagian air keluar dari teko B (x,y-d) 5: Jika x > 0 maka kosongkan teko A dengan membuangnya ke tanah (0,y)6: Jika y > 0 maka kosongkan teko B dengan membuang airnya ke
tanah7. JIka x+y≥4 dan y >0 maka tuangkan air dari teko B ke teko A sampai teko A penuh
8. Jika x+y ≥3 dan x>0 tuangkan air dari teko A ke teko B sampai teko B penuh
9. Jika x+y≥4 dan y >0 tuangkan seluruh air dari teko B ke teko A
10. JIka x+y ≥3 dan x>0 tuangkan seluruh air dari teko A ke teko B
11. Jika (0,2) tuangkan 2 galon air dari teko B ke Teko A
12. JIka (2,y) kosongkan 2 galon air di teko A dengan membuangnya ke tanah
Solusi
- Isi Teko A Isi Teko B Aturan pakai
2
3
9
3
2
3
3
7
4
2
5
2
9
2 solusi
Contoh Rekursif
- Pindahkan 3 keping satu per satu dari A ke B dengan aturan yang kecil tidak boleh dibawah yang besar
A B C
- pindahkan satu keping dari a ke c
- pindahkan satu keping dari a ke b
- pindahkan satu keping dari c ke b
- pindahkan satu keping dari a ke c
- pindahkan satu keping dari b ke a
- pindahkan satu keping dari b ke c
- pindahkan satu keping dari a ke c
Deskripsi AI
IV. Pengaruh Ketidakpastian pada
Penalaran
- Di dalam pengambilan keputusan penalaran yang merupakan kunci utama sering dipengaruhi oleh fakta yang tidak pasti misalnya : Saat orang yang sembuh ditanya apakah sudah masih sakit atau tidak. Jawabnya adalah sudah mendingan
- Ketidakpastian ini muncul dari pamahaman intuitif (intuitive insight) yang merupakan realita dari manusia
- Ketidakpastian ini terkadang sulit untuk diterapkan pada sistem berbasis komputer
- Karena ketidakpastian ini merupakan realita
IV.1. Pendekatan Bayesian
- Menggunakan teori probabilitas dengan menganggap suatu ketidakpastian adalah suatu kejadian (event) yang saling berpengaruh.
- Misal [B 1 , B 2 ,.., B n ] adalah kejadian pada ruang
sampel S dengan P(B ) 0 untuk i = 1,2, ..n. i
Misal A adalah suatu kejadian sembarang pada
P B A P B P A | B
k k k
S maka
P ( B | A ) k n n
P B A P B P A | B i i i
i 1 i
1 B B 3 4 B 1 B 2 A B n B B 5 k
- Contoh : 2% dari populasi terkena TBC Diberikan fakta : P(T)=0,02 Tentukan variabel : P(X|T), P(X|Not-T), P(T|X)
P(X|T) : Probabilitas bahwa foto sinar X dari orang TBC adalah
positif P(X|Not-T) : Probabilitas bahwa foto sinar X dari orang sehat adalah positifP(T|X) : Probabilitas bahwa seorang dengan foto sinar X positif
terkena TBC
- Diberikan data : P(X|T) = 0,9;
P(X|Not-T)=0,01 Carilah P(T|X) Jawab :
P ( T ) P ( X | T ) P T |
X
P ( T ) P ( X | T ) P ( Not T ) P ( X | Not T )
( , 02 )( , 90 ) , 648
( , 02 )( , 9 ) ( , 98 )( , 01 )
IV. 2. Tabel Keputusan (Decision table) dan Pohon Keputusan (Decision Tree)
Tabel Keputusan untuk seleksi tugas Aksi Tugas I Tugas 2 Tugas 3 Kejadian Long Medium Short Long Medium Short Long Medium Short
Hujan
I I U
I U D
I I U Tidak Hujan
I D D U D D U U U I = Increased duration, D = Decreased duration, U = Unchanged duration
AKSI OUTCOME KEJADIAN KONSEKUENSI
0,35 hujan Increased duration (0,2275) 0,65 long 0,30 0,35 medium hujan
Tidak hujan
0,65 Increased duration Increased duration (0,1050) (0,4225) 1,0 short 0,05 0,35 hujan 0,65Tidak hujan
decreased duration unchanged duration (0,0175) (0,1950) Tugas 1Tidak hujan
hujan (0,1120) 0,65 decreased duration Increased duration (0,0325) Tugas 2 0,32 long medium hujanTidak hujan
0,65 0,35 unchanged duration (0,1435) (0,2080) 0,27 short 0,41 0,35 hujanTidak hujan
0,65 decreased duration decreased duration unchanged duration 1,0 (0,0945) (0,2665) hujan (0,0350) 0,65 0,35Tidak hujan
decreased duration (0,1755) Tugas 3 long Tidak hujan unchanged duration Increased duration (0,0650) medium hujan unchanged duration Increased duration (0,3900) (0,2100) 1,0IV.3. Certainty Factor
• Certainty Factor (CF) atau Confident Factor digunakan untuk
menentukan ketidakpastian pada metoda heuristik dengan menetapkan nilai secara heuristik antara –1 sampai 1.- Digunakan pada RULE dengan aturan :
- CF dari conjunction (AND) dari beberapa fakta diambil CF yang minimum
- CF dari disjunction (OR) dari beberapa fakta diambil CF maksimum
- CF dari kesimpulan yang diperoleh dari hasil kali CF masing-masing premisenya
• Jika CF dari A, B, C, H, I, J adalah 0,7; 0,3; 0,5; 0,8; 0,7; 0,9 maka CF dari
komputasi untuk D adalah 0,49- Dari Rule 1 : Min[CF(A), CF(B), CF(C)] = Min[0,7;0,3;0,5]=0,3 CF(D) pada Rule 1 = Min[CF(A), CF(B), CF(C)] (Rule 1 CF) = (0,3)(0,8) = 0,24
- Dari Rule 2 : Min[CF(H), CF(I), CF(J)] = Min[0,8;0,7;0,9]=0,7 CF(D) pada Rule 2 = Min[CF(H), CF(I), CF(J)] (Rule 2 CF) = (0,7)(0,7) = 0,49
- Kombinasi Rule CF(D) = Max [CF(D) ; CF(D) ] = 0,49 1 2
- Logika Fuzzy memberikan nilai
- Setiap jenis pengelompokkan Agak (kelas) memiliki nilai Tinggi keanggotaan yang kontinu.
• Himpunan A sebagai himpunan Fuzzy dapat dinyatakan dengan
kombinasi linier A = u 1 (x1), u 2 (x 2 ), … , u n (x n ) u adalah derajat keanggotaan x di dalam A i i atau dapat juga dituliskan himpunan A di dalam X adalah A = {x, u (x)} , x X a- Misal terdapat himpunan Fuzzy : A, B, C, dan D yang berada pada himpunan semesta X. Maka operasi yang ada :
- Equality (Kesamaan):
- Containment (Himpunan bagian) :
- Intersection (irisan) :
- Union (penggabungan):
- Complement :
IV. 4. Logika Fuzzy (1965, Zadeh)
Contoh Fuzzy untuk antara 0 dan 1, nilai ini disebut prestasi akademik
Fungsi Keanggotaan Fuzzy (Fuzzy Membership Function) 1.0 atau Derajat Keanggotaan Fuzzy 0.99 0.9
Masing-masing kelas Fu zzy perbedaannya juga tidak jelas ang got aan (Fuzzy) misal kelas barang yang De raja t Ke Tinggi baik dan sangat baik. 0.7 Sangat Tinggi 2.0 3,6 4.0
Matematika Fuzzy • Misalkan A adalah himpunan obyek pada ruang sampel X.
Didefinisikan X = x , x , …, x 1 2 n
Contoh himpuan Fuzzy untuk A={BAIK}
Derajat Kekasaran keanggotaan di Permukaan dalam (x) himpunan BAIK ua(x)) 1,00 0,95
5,20 0,88 10,50 0,70 … … 35,00 0,10
45,00 0,05 50,00 0,00
Operasi pada himpunan Fuzzy
A=B jika dan hanya jika u ( x ) u ( x ), x
X
A B
u ( x ) u ( x ), x
X
jika dan hanya jika
B
A A B u ( x ) min ( u ( x ), u ( x ))
A B x A B
u ( x ) min u ( x ), u ( x )
A B x A B
u ( x ) 1 u ( x )
A B