Pengenalan Sistem Pakar. Sistem Pakar

Transkripsi

1 Pengenalan Sistem Pakar Sistem Pakar 1

2 Definisi Sistem Pakar Durkin : Suatu program komputer yang dirancang untuk memodelkan kemampuan penyelesaian masalah yang dilakukan oleh seorang pakar Ignizio : Suatu model dan prosedur yang berkaitan, dalam suatu domain tertentu, yang mana tingkat keahliannya dapat dibandingkan dengan keahlian seorang pakar Giarratano & Riley : Suatu sistem komputer yang bisa menyamai atau meniru kemampuan seorang pakar E. Feigenbaum : Sebuah program komputer cerdas yang menggunakan pengetahuan dan prosedur inferensi untuk menyelesaikan masalah yang cukup sulit sehingga memerlukan kepakaran seseorang 2

3 Pengertian Sistem Pakar Membuat S/W Expert Systems sebagai penasehat/konsultan pakar Tidak untuk menggantikan kedudukan seorang pakar ttp u/ memasyarakatkan pengetahuan & pengalamaan pakar tsb. Memungkinkan orang lain meningkatkan produktivitas, memperbaiki kualitas keputusan dll Dapat mengumpulkan dan penyimpan pengetahuan seorang/beberapa orang pakar ke dalam komp. u/ semua orang yang memerlukan 3

4 4

5 5

6 6

7 Siapakah Pakar (Expert)? Seorang pakar/ahli(human expert) adalah seorang individu yang memiliki kemampuan pemahaman yang superior dari suatu masalah. Contoh: seorangdokter, penasehatkeuangan, pakar mesin mobil, dll. 7

8 Kepakaran (Expertise) Pemahaman yang luas dari tugas atau pengetahuan spesifik yang diperoleh dari pelatihan, membaca dan pengalaman. 8

9 Kemampuan Kepakaran Dapat mengenali(recognizing) dan merumuskan masalah Menyelesaikan masalah dengan cepat dan tepat Menjelaskan solusi Belajar dari pengalaman Restrukturisasi pengetahuan Menentukan relevansi/hubungan Memahami batas kemampuan 9

10 Bentuk Pengetahuan dalam Kepakaran Fakta-fakta Teori-teori dari permasalahan Aturandanproseduryang mengacupadaarea permasalahan Aturan(heuristik) yang harus dikerjakan pada situasi yang terjadi Strategi global untuk menyelesaikan berbagai jenis masalah Meta-knowledge (pengetahuan tentang pengetahuan) 10

11 Komponen Utama Sistem Pakar Expertise Facts / Information Expertise Us ser Interface Knowledge Base Inference Engine 11

12 Komponen Utama Sistem Pakar Knowledge base (Basis Pengetahuan) berisi semua fakta, ide, hubungan, aturan dari suatu domain permasalahan Inference Engine (Motor inferensi ) bertugas untuk menganalisis pengetahuan dan menarik kesimpulan berdasarkan knowledge base dan aturan. User Interface Interaksi dengan user Membangun dan memelihara basis pengetahuan (knowledge base) 12

13 Domain Sistem Pakar Problem Domain (Domain Masalah) Knowledge Domain (Domain Pengetahuan) 13

14 Konsep Umum Sistem Pakar knowledge acquisition transfer knowledge dari manusia atau sumber lainnya ke komputer knowledge representation Penyimpanan dan pemrosesan pengetahuan dalam komputer inference Mekanisme pengambilan kesimpulan dari pengetahuan dalam komputer explanation Menjelaskan kepada user apa dan bagaimana solusi yang dihasilkan 14

15 Tahap Pengembangan Sistem Pakar Dialog Explicit Knowledge Human Expert Knowledge Engineer Knowledge Base Of Expert System Proses pembuatan SP knowledge engineeringyg dilakukan oleh knowledge engineer. Selain itu domain expertdan end user. Tugas knowledge engineer adalah memilih S/W & H/W u/ pembuatan SP, membantu mengambil pengetahuan yg dibutuhkan dari pakar domain, serta implementasi pengetahuan pada basis pengetahuan yg benar & efisien Tugas pakar domain : menyediakan pengetahuan ttg bid problem yg dihadapi, memahami teknik-teknik pemecahan problema yg dipakai. 15

16 Pengembangan Teknologi Sistem Pakar Sangat dipengaruhi oleh pengetahuan kognitif dan matematika Cara manusia memecahkan masalah Dasar formal, terutama logika dan inferensi Aturan produksi sebagai mekanisme representasi Tipe aturan IF THEN Mirip dengan cara manusia memberi alasan Explanation facility 16

17 Rules and Humans Rules dapat digunakan untuk memformulasikan teori human information processing (Newell& Simon) rules disimpan dalam memori jangka panjang pengetahuan sementara diletakkan di memori jangka pendek input sensor atau berpikir memicu aktifasi dari aturanaturan aturan yang telah diaktifkan mungkin memicu aktifasi berikutnya pengolah kognitif mengkombinasikan bukti-bukti dari aturan-aturan yang sedang diaktifkan Model ini adalah dasar dari desain sistem berbasis aturan (rule-based systems) disebut juga production systems 17

18 Perkembangan Teknologi SP MYCIN Dirancang oleh Edward Feigenbaum (Universitas Stanford) th 70 an SP medical yg dpt mendiagnosa infeksi bakteri & rekomendasi pengobatan antibiotik DENDRAL - SP struktur molekular & kimia PROSPECTOR Membantu ahli geologi yg mencari & menemukan biji deposit (mineral& batu-batuan). Didesign oleh Sheffield Research Institute, akhir 70an XCON (R1) SP konfigurasi sistem komputer dasar. Dikembangkan oleh Digital Equipment Corporation (DEC) dan Carnegie Mellon Universitas (CMU), akhir 70 an.untuk sistem komputer DEC VAC

19 Perkembangan Teknologi SP DELTA Didesign & dikembangkan oleh General Electric Company SP personal maintenance dg mesin lokomotif listrik diesel. YESMVS Didesign oleh IBM awal th 80an Membantu operator komputer & mengontrol sistem operasi MVS (multiple virtual storage) ACE Didesign & dikembangkan oleh AT&T Bell Lab awal th 80an SP troubleshooting pd sistem kabel telpon 19

20 Kategori Problema SP Interpretasi membuat kesimpulan atau deskripsi dari sekumpulan data mentah. Prediksi memproyeksikan akibat-akibat yang dimungkinkan dari situasi-situasi tertentu Diagnosis menentukan sebab malfungsi dalam situasi kompleks yang didsarkan pada gejala-gejala yang teramati Desain menentukan konfigurasi komponenkomponen sistem yang cocok dengan tujuan-tujuan kinerja tertentu yang memnuhi kendala -kendala tertentu Perencanaan merencanakan serangkaian tindakan yang akan dapat mencapai sejumlah tujuan dengan kondisi awal tertentu 20

21 Kategori Problema SP Debugging dan Repair menentukan dan menginterpretasikan cara-cara untuk mengatasi malfungsi. Instruksi mendeteksi dan mengoreksi defisiensi dalam pemahaman domain subyek Pengendalian mengatur tingkah laku suatu environment yang kompleks Selection mengidentifikasi pilihan terbaik dari sekumpulan (list) kemungkinan Simulation pemodelan interaksi antara komponenkomponen sistem Monitoring membandingkan hasil pengamatan dengan kondisi yang diharapkan 21

22 Kunci Sukses Sistem Pakar Meyakinkan gagasan Aturan-aturan, model-model kognitif Aplikasi-aplikasi praktis Obat-obatan, teknologi komputer, Pemisahan pengetahuan (knowledge) dan kesimpulan (inference) expert system shell Memungkinkan penggunaan kembali permesinan untuk domain yang berbeda Konsentrasi pada domain pengetahuan 22

23 Kapan Menggunakan SP Sistem pakar tidak dapat diterapkan untuk semua tipe domain dan tugas Algoritma konvensional diketahui dan efisien Tantangan utama-nya adalah komputasi, bukan knowledge knowledge tidak dapat diperoleh secara mudah user mungkin segan untuk menerapkan sistem pakar untuk tugas-tugas kritis 23

24 Aplikasi Sistem Pakar 24

25 25

26 Tools Sistem Pakar languages higher-level languages didesain khusus untuk merepresentasikan knowledge dan alasan PROLOG, LISP, CLIPS, SAIL, KRL, KQML shells Sebuah tools dengan tujuan khusus didesain untuk tipe aplikasi tertentu dimana user hanya men-suplai basis pengetahuan. 26

27 Elemen Sistem Pakar User Interfac ce Knowledge Acquisition Facility Explanation Facility Knowledge Base Inference Engine Agenda Working Memory 27

28 Sistem Pakar Berbasis Aturan (Rules) Pengetahuan dikodekan menjadi aturan IF THEN Motor inferensi menentukan mana aturan yang terpenuhi lebih dahulu sisi kiri harus cocok dengan fakta di dalam memori kerja Aturan yang terpenuhi ditempatkan pada agenda Aturan pada agenda dapat diaktifasi aturan yang teraktifasi mungkin menghasilkan fakta-fakta baru melalui sisi kanan pengaktifan satu aturan bisa menyebabkan pengaktifan aturan yang lain 28

29 Contoh Aturan IF THEN Rules Rule: Red_Light IF THEN the light is red stop Rule: Green_Light IF THEN the light is green go Production Rules the light is red ==> stop the light is green ==> go antecedent (left-hand-side) antecedent (left-hand-side) consequent (right-hand-side) consequent (right-hand-side) 29

30 MYCIN Sample Rule Human-Readable Format IF the stain of the organism is gram negative AND the morphology of the organism is rod AND the aerobiocity of the organism is gram anaerobic THEN the there is strongly suggestive evidence (0.8) that the class of the organism is enterobacteriaceae MYCIN Format IF (AND (SAME CNTEXT GRAM GRAMNEG) (SAME CNTEXT MORPH ROD) (SAME CNTEXT AIR AEROBIC) THEN (CONCLUDE CNTEXT CLASS ENTEROBACTERIACEAE TALLY.8) [Durkin 94, p. 133] 30

31 Inference Engine Cycle conflict resolution Memilih rule dengan prioritas tertinggi dari agenda execution Menjalankan aksi pada consequent dari rule yang terpilih remove the rule from the agenda match update the agenda Menambah rules yang antecedents-nya sesuai dengan agenda remove rules with non-satisfied agendas Siklus berhenti ketika tidak ada rules pada agenda atau ketika perintah berhenti ditemukan 31

32 Metode Aktifasi Rules Forward Chaining Backward Chaining 32

33 Forward Chaining forward chaining (data-driven) reasoning from facts to the conclusion as soon as facts are available, they are used to match antecedents of rules a rule can be activated if all parts of the antecedent are satisfied often used for real-time expert systems in monitoring and control examples: CLIPS, OPS5 33

34 Backward Chaining backward chaining (query-driven) starting from a hypothesis (query), supporting rules and facts are sought until all parts of the antecedent of the hypothesis are satisfied often used in diagnostic and consultation systems examples: EMYCIN 34

35 Foundations of Expert Systems Rule-Based Expert Systems Inference Engine Knowledge Base Pattern Matching Rete Algorithm Markov Algorithm Action Execution Conflict Resolution Facts Rules Post Production Rules 35

36 Post Production Systems Production rules (aturan produksi) digunakan oleh logikawan Emil L. Post pada awal tahun 40-an dalam logika simbolik Hasil teori Post any system in mathematics or logic can be written as a production system Prinsip dasar production rules seperangkat aturan mengatur konversi dari satu set string menjadi set string yang lain aturan ini juga dikenal sebagai aturan penulisan ulang simple syntactic string manipulation no understanding or interpretation is required also used to define grammars of languages e.g. BNF grammars of programming languages 36

37 Markov Algorithms in the 1950s, A. A. Markov introduced prioritiesas a control structure for production systems rules with higher priorities are applied first allows more efficient execution of production systems but still not efficient enough for expert systems with large sets of rules 37

38 ES Problems limited knowledge shallow knowledge no deep understanding of the concepts and their relationships no common-sense knowledge no knowledge from possibly relevant related domains closed world the ES knows only what it has been explicitly told it doesn t know what it doesn t know 38

39 ES Problems mechanical reasoning may not have or select the most appropriate method for a particular problem some easy problems are computationally very expensive lack of trust users may not want to leave critical decisions to machines 39

40 Summary expert systems or knowledge based systems are used to represent and process in a format that is suitable for computers but still understandable by humans If-Then rules are a popular format the main components of an expert system are knowledge base inference engine ES can be cheaper, faster, more accessible, and more reliable than humans ES have limited knowledge (especially common- sense ), can be difficult and expensive to develop, and users may not trust them for critical decisions 40

41 DATA = INFORMASI? DATA Data: Nilai/value yang turut merepresentasikan deskripsi dari suatu objek atau kejadian(event) PENGOLAHAN INFORMASI Informasimerupakan hasil dari pengolahan data dalam suatu bentuk yang lebih berguna dan lebih berarti bagi penerimanya, yang menggambarkan suatu kejadian-kejadian (event) yang nyata (fact) yang digunakan untuk pengambilan keputusan. 41

42 Pengetahuan (Knowledge) INFORMASI PENGOLAHAN pengalaman, pelatihan PENGETAHUAN Data + processing = information Information + processing (pengalaman, training, dll) = knowledge 42

43 Struktur Dasar SP Knowledge Base Working Memory Inference Engine 43

44 Knowledge Base Definisi : Bagian dari sistem pakar yang berisi domain pengetahuan Berisi pengetahuan yang dibutuhkan untuk memahami, merumuskan dan menyelesaikan masalah. Terdiri dari 2 elemen dasar: Fakta, situasi masalah dan teori yang terkait Heuristik khusus atau rules, yang langsung menggunakan pengetahuan untuk menyelesaikan masalah khusus. 44

45 Working Memory Definisi : bagian dari sistem pakar yang berisi fakta-fakta masalah yang ditemukan dalam suatu sesi Berisi fakta-fakta tentang suatu masalah yang ditemukan dalam proses konsultasi 45

46 Inference Engine Definisi : Processor pada sistem pakar yang mencocokan fakta-fakta yang ada pada working memori dengan domain pengetahuan yang terdapat pada knowledge base, untuk menarik kesimpulan dari masalah yang dihadapi. Proses berpikir pada manusia dimodelkan dalam sistem pakar pada modul yang disebut Inference Engine. 46

47 Kelebihan Sistem Pakar Availability Intelligent tutor Cost Intelligent db Danger-reduced Performance Multiple expertise Reliability Explanation Response-cepat Steady, unemotional and complete response 47

48 Terdiri atas 2 bagian : Struktur Detail SP Development Environment (Lingkungan Pengembangan) Consultation Environment (Lingkungan Konsultasi) 48

49 Karakteristik Sistem Pakar High Performance Adequate response time Good reliability Understanable Flexibility 49

50 Idenya : Post Production Systems Sistem matematika & logika merupakan set aturan sederhana untuk menentukan bagaimana mengubah 1 string simbol ke dlm simbol lainnya. Yaitu dengan input string, kejadian sebelumnya 50

51 Algoritma Markov Merupakan kelompok produksi yg terorder yang diterapkan untuk prioritas ke input string. Algoritma akan berakhir dg baik jika: (1). Produksi terakhir tidak dapat diterapkan pada string (2). Suatu produksi yg berakhir dg periode diterapkan. Jika input string GABKAB Sistem produksi AB HIJ Maka hasil akhir GHIJKHIJ Karakter ^ string nol Mis A ^ artinya menghilangkan seluruh kejadian karakter A dlm suatu string 51

52 Algoritma Markov Karakter tunggal a,b,c, Mis AxB BxA artinya mengubah karakter A dan B Huruf Yunani α,β Contoh : Memindahkan huruf pertama string input ke akhir Aturan 1. αxy yαx 2. α ^ 3. ^ α Input ABC 52

53 Algoritma Markov Input ABC Aturan Sukses atau Gagal String 1 G ABC 2 G ABC 3 S αabc 1 S BαAC 1 S BCαA 1 G BCαA 2 S BCA 53

54 Algoritma Rete Pada algoritma Markov diterapkan aturan/baris prioritas lebih tinggi. Masalah timbul jika system mempunyai aturan/baris yang banyak, maka tidak akan efisien. Solusinya adalah algoritma Reteyang dikembangkan oleh Charles L.F di Carnegie-Mellon University (1979) Yaitu algoritma yg mengetahui tentang seluruh aturan/baris seluruh sistem dan dapat menerapkan suatu baris tanpa harus mencoba setiap baris tanpa berangkai (mencari perubahan dalam gabungan setiap cycle) Merupakan gabungan pola yang sangat cepat, yang mendapatkan kecepatannya dengan menyimpan informasi tentang baris dalam jaringan. 54

55 Referensi Artifial Intelligent, George F.Luger Artificial Intelligent, Sandi Setiawan Artificial Intelligent, Elaine Rich, Kevin Knight Expert System, Giarrantino/ Rilley Peng.Sistem Pakar, Gunadarma 55