DASAR-DASAR SISTEM PAKAR (KELOMPOK 2)A. Pengertian Sistem Pakar Pakar adalah orang yang memiliki pengetahuan, penilaian, pengalaman, metode khusus, serta kemampuan untuk menerapkan bakat ini dalam memberi nasihat dan memecahkan masalah. Pakar biasa memiliki beberapa konsep umum. Pertama, harus mampu memecahkan persoalan dan mencapai tingkat performa yang secara signifikan ebih baik dari orang kebanyakan. Kedua, pakar adalah relatif. Pakar pada satu waktu atau satu wilayah mungkin tidak menjadi pakar di waktu atau wilayah lain. Misalnya, mahasiswa kedokteran mungkin disebut pakar dalam penyakit dibanding petugas administrasi, tetapi bukan pakar di rumah sakit terkemuka. Secara umum, sistem pakar (expert system) adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli. Sistem pakar yang baik dirancang agar dapat menyelelasikan suatu permasalahan tertentu dengan meniru kerja dari para ahli. Dengan sistem pakar ini, orang awampun dapat menyelesaikan masalah yang cukup rumit yang sebenarnya hanya dapat diselesaikan dengan bantuan para ahli. Bagi para ahli, sistem pakar ini juga akan membantu aktivitasnya sebagai asisten yang sangat berpengalaman. Ada beberapa definisi tentang sistem pakar, antara lain : a. Menurut Durkin : Sistem pakar adalah suatu program komputer yang dirancang untuk memodelkan kemampuan penyelesaian masalah yang dilakukan seorang pakar. b. Menurut Ignizio : Sistem pakar adalah suatu model dan prosedur yang berkaitan, dalam suatu domain tertentu, yang mana tingkat keahliannya dapat dibandingkan dengan keahlian seorang pakar. c. Menurut Giarratano dan Riley : Sistem pakar adalah suatu sistem komputer yang bisa menyamai atau meniru kemampuan seorang pakar. Sistem Pakar merupakan salah satu bidang kecerdasan buatan (Artificial Intelligence), definisi Sistem Pakar itu sendiri adalah sebuah program komputer yang dirancang untuk mengambil keputusan seperti keputusan yang diambil oleh seorang pakar, dimana Sistem Pakar menggunakan pengetahuan (knowledge), fakta, dan teknik berfikir dalam menyelesaikan masalah-masalah yang biasanya hanya dapat diselesaikan oleh seorang pakar dari bidang yang bersangkutan. Dalam pengembangan suatu Sistem Pakar, pengetahuan (knowledge) mungkin saja berasal dari seorang ahli, atau merupakan pengetahuan dari media seperti majalah, buku, jurnal, dan sebagainya. Selain itu pengetahuan yang dimiliki Sistem Pakar bersifat khusus untuk satu domain masalah saja. Sistem pakar pertama kali dikembangkan oleh komunitas AI pada pertengahan tahun 1960. Sistem pakar yang muncul pertama kali adalah General-purpose Problem Solver (GPS) yang dikembangkan oleh Newel dan Simon. GPS (dan program-program yang serupa) ini mengalami kegagalan dikarenakan cakupannya terlalu luas sehingga terkadang justru meninggalkan pengetahuan-pengetahuan penting yang seharusnya disediakan. B. Keuntungan Sistem Pakar Secara garis besar, banyak manfaat yang dapat diambil dengan adanya sistem pakar, antara lain : 1. Memungkinkan orang awam bisa mengerjakan pekerjaan para ahli. 2. Bisa melakukan proses secara berulang secara otomatis. 3. Menyimpan pengetahuan dan keahlian para pakar. 4. Meningkatkan output dan produktivitas. 5. Meningkatkan kualitas. 6. Mampu mengambil dan melestarikan keahlian para pakar (terutama yang termasuk keahlian langka). 7. Mampu beroperasi dalam lingkungan yang berbahaya. 8. Memiliki kemampuan untuk mengakses pengetahuan. 9. Memiliki reliabilitas. 10. Meningkatkan kepabilitas sistem komputer. 11. Memiliki kemampuan untuk bekerja dengan informasi yang tidak lengkap dan mengandung ketidakpastian. 12. Sebagai media pelengkap dalam penelitian.

13. Meningkatkan kapabilitas dalam penyelesaian masalah. 14. Menghemat waktu dalam pengambilan keputusan. C. Kekurangan Sistem Pakar Sistem pakar juga memiliki beberapa kelemahan / kekurangan, beberapa diantaranya adalah sebagai berikut: Tidak ada jaminan bahwa Sistem Pakar memuat 100% kepakaran yang diperlukan; Pengembangan Sistem Pakar tergantung ada tidaknya pakar di bidangnya sehingga pengembangannya dapat terkendala; Biaya untuk mendesain, mengimplementasikan dan memeliharanya dapat sangat mahal tergantung seberapa lengkap dan kemampuannya D. Konsep-Konsep Dasar Sistem Pakar Ada beberapa konsep yang mendasari sistem pakar, antara lain : 1. Keahlian (expertise) Keahlian merupakan pengetahuan khusus yang dimiliki oleh seseorang melalui latihan, belajar, serta pengalaman-pengalaman yang dialami pada suatu bidang tertentu dalam jangka waktu yang cukup lama. Pengetahuan tersebut dapat berupa fakta-fakta, teori-teori, aturan-aturan serta strategi untuk menyelesaikan suatu masalah. Dengan pengetahuan tersebut seorang pakar dapat memberikan keputusan yang lebih baik dan cepat dalam menyelesaikan suatu permasalahn yang sulit. 2. Ahli atau Pakar (expert) Seorang pakar harus memiliki kemampuan menyelesaikan permasalahan pada bidang tertentu yang ditanganinya, kemudian memberikan penjelasan mengenai hasil dan kaitannya dengan permasalahan yang ada. Selain itu seorang pakar juga harus mempelajari hal-hal baru dari setiap perkembangan yang ada, lalu menyusun kembali pengetahuannya, dan dalam hal tertentu dapat memberikan alternatif lain agar mampu memecahkan permasalahan yang dihadapi serta menghasilkan solusi yang tepat. Seluruh karakteristik di atas harus dimiliki oleh seorang pakar. Untuk meniru kepakaran seorang manusia, perlu dibangun sebuah sistem komputer yang menunjukan seluruh karakteristik tersebut. Namun hingga saat ini, pekerjaan dibidang sistem pakar terfokus pada aktifitas penyelesaian masalah dan memberikan penjelasan mengenai solusinya. 3. Memindahkan keahlian (tranfering expertise) Tujuan dari sistem adalah memindahkan keahlian yang dimiliki oleh seorang pakar ke dalam sebuah sistem komputer, kemudian dari sebuah sistem komputer kepada orang lain yang bukan pakar. Proses ini dapat meliputi empat kegiatan : Perolehan pengetahuan (Knowledge Acquistion) Representasi pengetahuan (Knowledge Representation) Menyimpulkan pengetahuan (Knowledge Inferencing) Memindahkan pengetahuan kepada pemakai (Knowledge Transfer to User) Pengetahuan tersebut ditempatkan ke dalam suatu komponen yang dinamakan basis pengetahuan (Knowledge Base). 4. Kesimpulan (inference) Keistimewaan dari sistem pakar yaitu kemampuannya dalam memberikan saran, yaitu dengan menempatkan keahlian ke dalam basis pengetahuan (Knowledge Base) dan membuat program yang mampu mengakses basis pengetahuan sehinggga sistem dapat memberikan kesimpulan. Kesimpulan dibentuk di dalam komponen yang dinamakan mesin pengambil kesimpulan (Inference Engine), dimana berisi aturan-aturan untuk menyelesaikan masalah. 5. Aturan (rule) Umumnya sistem pakar adalah sistem berbasis aturan, yaitu pengetahuan yang terdiri dari aturan-aturan sebagai prosedur penyelesaian masalah. Pengetahuan tersebut digambarkan sebagai suatu urutan seri dari kaidah-kaidah yang sudah dibuat. 6. Kemampuan penjelasan (explanation capability) Keistimewaan lain dari sistem pakar adalah kemampuannya dalam memberikan saran atau rekomendasi serta menjelaskan mengapa tindakan tertentu tidak dianjurkan. Pemberian penerangan dan pendapat ini dilakukan dalam suatu subsistem yang dinamakan subsistem penjelasan (Explanation Subsystem).

Diagram konsep dasar sistem pakar

Gambar : Konsep dasar sistem pakar Di atas merupakan gambaran konsep dasar Sistem Pakar, dimana pengguna (user) menyampaikan fakta atau informasi kepada Sistem Pakar, kemudian fakta dan informasi tersebut akan di simpan ke knowledge-base (basispengetahuan), dan diolah dengan mekanisme inferensi, sehingga sistem dapat memberikan respon kepada penggunanya berupa keahlian atau jawaban berdasarkan pengetahuan yang dimilikinya. E. Arsitektur Sistem Pakar Pada arsitektur Sistem pakar memiliki dua bagian utama, yaitu lingkungan pengembangan dan lingkungan konsultasi. Lingkungan pengembangan adalah memasukkan pengetahuan pakar kedalam sistem pakar, sedangkan lingkungan konsultasi adalah dimana pengguna bukan pakar untuk memperoleh pengetahuan pakar.

Gambar : Arsitektur sistem pakar

Komponen-komponen yang tedapat dalam sistem pakar terdiri dari antar muka pemakai, basis pengetahuan, fakta dan aturan, akuisi pengetahuan, mekanisme inferensi, workplace, fasilitas penjelasan, perbaikan pengetahuan. Komponen-komponen sistem pakar : Antarmuka pemakai Antarmuka pemakai memberikan fasilitas komunikasi antara pemakai dan sistem, memberikan berbagai fasilitas informasi dan berbagai keterangan yang bertujuan untuk membantu mengarahkan alur penelusuran masalah sampai ditemukan solusi. Basis pengetahuan Basis pengetahuan berisi pengetahuan untuk pemahaman, formulasi, dan penyelesaian masalah. Komponen ini disusun oleh dua elemen dasar yaitu fakta dan aturan. Akuisi pengetahuan Akuisisi pengetahuan merupakan proses untuk mengumpulkan data pengetahuanterhadap suatu masalah dari sumber pengetahuan (berasal dari pakar atau media seperti majalah, buku, literatur, dll) kedalam komputer. Sumber pengetahuan tersebut dijadikan dokumentasi untuk diolah, dipelajari dan diorganisasikanmenjadi basis pengetahuan. Mekanisme inferensi Komponen ini mengandung mekanisme pola pikir dan penalaran yang digunakan oleh pakar dalam menyelesaikan suatu masalah. Mesin inferensi merupakan bagian dari Sistem Pakar yang melakukan penalaran mengenai informasi yang ada dalam basis pengetahuan dan dalam workplace, dan untuk menformulasikan kesimpulan. Workplace Workplace merupakan area dari sekumpulan memori kerja (working memory). Workplace digunakan untuk merekam hasil-hasil antara dan kesimpulan yang dicapai. Fasilitas penjelasan Fasilitas penjelasan sistem merupakan bagian dari Sistem Pakar yang memberikan penjelasan atas kesimpulan yang dicapai tentang suatu masalah, serta memberikan rekomendasi kepada pemakai. Perbaikan pengetahuan Kemampuan pakar dalam menganalisis dan meningkatkan kinerja pembelajaran dapat diterapkan dalam program Sistem Pakar sehingga Sistem Pakar tersebut dapat menganalisis penyebab dari kesuksesan dan kegagalan yang dialami. F. Kategori Pengembangan Sistem Pakar Kategori pengembangan sistem pakar antara lain sebagai berikut : Kontrol. Contoh pengembangan banyak ditemukan dalam kasus pasien di rumah sakit, dimana dengan kemampuan sistem pakar dapat dilaku-kan kontrol terhadap cara pengobatan dan perawatan melalui sensor data atau kode alarm dan memberikan solusi terapi pengobatan yang tepat bagi si pasien yang sakit. Desain. Contoh sistem pakar di bidang ini adalah PEACE yang dibuat oleh Dincbas pada tahun 1980 untuk membantu disain pengembangan sirkuit elektronik. Contoh lain adalah sistem pakar untuk membantu desain komputer dengan komponen-komponennya Diagnosis. Pengembangan sistem pakar terbesar adalah di bidang diagnosis, seperti diagnosis penyakit, diagnosis kerusakan mesin kendaraan bermotor, diagnosis kerusakan komponen komputer, dan lain-lain Instruksi. Instruksi merupakan pengembangan sistem pakar yang sangat berguna dalam bidang ilmu pengetahuan dan pendidikan. di mana sistem pakar dapat memberikan instruksi dan pengajaran tertentu terhadap suatu topik permasalahan. Contoh pengembangan sistem pakar di bidang ini adalah sistem pakar untuk pengajaran bahasa Inggris, sistem pakar untuk pengajaran astronomi dan lain-lain.

Interpretasi. Sistem pakar yang dikembangkan dalam bidang inter-pretasi melakukan proses pemahaman akan suatu situasi dari beberapa informasi yang direkam. Contoh sistem yang dikembangkan dewasa ini adalah sistem untuk melakukan sensor gambar dan suara kemudian menganalisisnya dan kemudian membuat suatu rekomendasi berdasar-kan rekaman tersebut Monitor. Sistem pakar di bidang ini banyak digunakan militer, yaitu menggunakan sensor radar kemudian menganalisisnya dan menentukan posisi obyek berdasarkan posisi radar tersebut Perencanaan. Perencanaan banyak digunakan dalam bidang bisnis dan keuangan suatu proyek, di mana sistem pakar dalam membuat peren-canaan suatu pekerjaan berdasarkan jumlah tenaga kerja, biaya dan waktu sehingga pekerjaan menjadi lebih efisien dan lebih optimal Prediksi. Sistem pakar ini mampu memprediksi kejadian masa men-datang berdasarkan informasi dan model permasalahan yang dihadapi. Biasanya sistem memberikan simulasi kejadian masa mendatang tersebut, misalnya memprediksi tingkat kerusakan tanaman apabila ter-serang hama dalam jangka waktu tertentu. Program ini dibuat pada tahun 1983 oleh Boulanger dengan nama PLANT Seleksi. Sistem pakar dengan seleksi mengidentifikasikan pilihan ter-baik dari beberapa daftar pilihan kemungkinan solusi. Biasanya sistem mengidentifikasikan permasalahan secara spesifik, kemudian mencoba untuk menemukan solusi yang paling mendekati kebenaran Simulasi. Sistem ini memproses operasi dari beberapa variasi kondisi yang ada dan menampilkannya dalam bentuk simulasi. Contoh adalah program PLANT yang sudah menggabungkan antara prediksi dan simulasi, di mana program tersebut mampu menganalisis hama dengan berbagai kondisi suhu dan cuaca

G. Contoh Aplikasi Sistem Pakar Berikut ini adalah contoh sistem pakar yang sudah terkenal, antara lain : 1. MYCIN - Dirancang oleh Edward Feigenbaum (Universitas Stanford) th 70 an - SP medical yg dpt mendiagnosa infeksi bakteri & rekomendasi pengobatan antibiotik 2. DENDRAL - SP struktur molekular & kimia 3. PROSPECTOR - Membantu ahli geologi yg mencari & menemukan biji deposit (mineral& batu-batuan) - Didesign oleh Sheffield Research Institute, akhir 70an 4. 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 11 1780 5. DELTA - Didesign & dikembangkan oleh General Electric Company - SP personal maintenance dg mesin lokomotif listrik diesel. 6. YESMVS - Didesign oleh IBM awal th 80an - Membantu operator komputer & mengontrol sistem operasi MVS (multiple virtual storage) 7. ACE - Didesign & dikembangkan oleh AT&T Bell Lab awal th 80an - SP troubleshooting pd sistem kabel telpon

PENALARAN INEXACT KELOMPOK 41.1 PENJELASAN Penalaran Inexact menrupakan salah satu karakteristik umum dari suatu informasi yang tersedia untuk seorang pakar adalah ketidaksempurnaan. Informasi yang tersedia bisa jadi tidak lengkap, tidak konsisten, tidak tentu, dsb. Dengan keterbatasan informasi tersebut, seorang pakar dituntut dapat mengatasi kerusakan dengan membuat suatu pertimbangan benar sehingga menghasilkan keputusan yang tepat. Sistem pakar harus mampu mengatasi ketidakpastian dan menggambarkan konklusi yang valid. Ketidakpastian dalam sistem berbasis kaidah dapat berasal dari 3 hal berikut : 1. Kaidah Tunggal (individual rule) Kaidah tunggal dipengaruhi oleh 3 hal : kesalahan (error), probabilitas dan kombinasi premis. Kesalahan (error) disebabkan antara lain oleh : a. Ambiguitas, yaitu sesuatu yang didefinisikan berlebihan b. Ketidaklengkapan data c. Kesalahan informasi d. Kesalahan pengukuran Probabilitas disebabkan oleh ketidakmampuan seorang pakar untuk merumuskan kaidah secara pasti. Pemberian nilai probabilitas yang menyatakan derajat kepercayaan dapat juga menyebabkan ketidakpastian. Kombinasi premis di dalam anteseden jika premis lebih dari sebuah perlu diperhatikan. Beberapa kombinasi yang dapat dibentuk : E1 AND E2 AND E3 atau E1 AND E2 OR E3 atau E1 AND NOT E2 OR E3 2. Ketidaksesuaian Antarkaidah (incompatibility of rule) Ketidaksesuaian antarkaidah dapat disebabkan oleh : kontradiksi kaidah, subsumsi kaidah, redudansi kaidah, kehilangan kaidah dan penggabungan data. Kontradiksi kaidah Kontradiksi merupakan ketidaksesuaian konsekuen diantara dua kaidah yang bisa jadi disebabkan oleh anteseden yang kuran spesifik. Contoh : Kaidah 1 : IF terdapat api THEN siramlah dengan air Kaidah 2 : IF terdapat api THEN jangan siram dengan air Interpretasi kaidah 1, jika bebar-benar terdapat api seperti terbakarnya kayu, maka akan dilakukan pemadaman dengan menyiramkan air. Sedangkan pada kaidah 2 memang terdapat api yang memang sengaja untuk melakukan pembakaran (mis. Memasak) yang tidak boleh disiram air. Subsumsi kaidah Subsumsi kaidah terjadi jika anteseden merupakan bagian dari kaidah yang lain. Contoh : Kaidah 1 : IF E1 THEN H Kaidah 2 : IF E1 and E2 THEN H Interpretasinya, jika E1 yang muncul, maka tidak terdapat masalah karena kaidah 1 yang akan dijalankan, tetapi jika E1 dan E2 kedua-duanya muncul pada kaidah 1 dan kaidah 2, maka kedua-duanya akan sama-sama dijalankan sehingga konflik resolusi dibutuhkan. Redudansi kaidah Redudansi aturan adalah kaidah-kaidah yang mempunyai konsekuen dan evidence yang sama. Contoh :

-

Kaidah 1 : IF E1 and E2 THEN H Kaidah 2 : IF E2 and E1THEN H Kehilangan kaidah Kehilangan aturan merupakan penyebab ketidaksesuaian antarkaidah yang terjadi jika seorang ahli lupa atau tidak sadar akan membuat kaidah. Contoh : IF E4 THEN H Jika E4 diabaikan maka H tidak akan pernah dapat disimpulkan dengan layak. Penggabungan data (data fussion) Penggabungan data merujuk kepada ketidakpastian yang dihubungkan dengan perpaduan data dari tipe informasi yang berbeda. Kesemua tipe yang berbeda tersebut harus digabungkan untuk menjadikan mereka sebagai suatu informasi yang mendukung dan menjadi pertimbangan saat pengambilan keputusan akhir. Contoh : Ddokter membuat diagnosis penyakit tidak hanya dari hasil pemeriksaan fisik, tetapi juga hasil laboratorium, riwayat penyakit pasien dsb. 3. Resolusi Konflik (conflict resolution) Resolusi konflik merupakan proses menyeleksi atau memilih kaidah yang ada jika terdapat lebih dari satu kaidah yang diaktivasi dan resolusi konflik disebabkan oleh interaksi antarkaidah. Beberapa metode untuk resolusi konflik : a. Memicu kaidah berdasarkan prioritas. b. Mempunyai kadiah yang mempunyai banyak premis yang harus dipenuhi. Metode ini dikenal dengan the longest matching strategy. c. Memilih kaidah yang paling banyak digunakan. d. Memilih kaidah yang palinga kahir ditambahkan pada sekumpulan kaidah. e. Memilih kaidah yang waktu eksekusinya paling singkat. f. Memilih semua kaidah dari sekumpulah kaidah yang ada. 1.2 FAKTOR KEPASTIAN (CERTAINTY FACTOR) - Faktor kepastian merupakan cara dari penggabungan kepercayaan (belief) dan ketidapercayaan (unbelief) dalam bilangan yang tunggal. - Dalam certainty theory, data-data kualitatif direpresentasikan sebagai derajat keyakinan (degree of belief). - Tahapan dalam merepresentasikan data-data kualitatif : 1. kemampuan untuk mengekspresikan derajat keyakinan sesuai dengan metode yang sudah dibahas sebelumnya. 2. kemampuan untuk menempatkan dan mengkombinasikan derajat keyakinan tersebut dalam sistem pakar. - Dalam mengekspresikan derajat keyakinan digunakan suatu nilai yang disebut certain factor (CF) untuk engasumsikan derajat keyakianan seorang pakar terhadap suatu data. - Formulasi certain factor : CF[H,E] = MB[H,E] MD[H,E] Dimana : CF = Certain Factor (faktor kepastian) dalam hipotesis H yang dipengaruhi oleh fakta E MB = Measure of Belief (tingkat keyakinan), adalah ukuran kenaikan dari kepercayaan hipotesis H dipengaruhi oleh fakta E. MD = Measure of Disbelief (tingkat ketidakyakinan), adalah kenaikan dari ketidakpercayaan hipotesis H dipengaruhi fakta E. E = Evidence (peristiwa ataua fakta) - Penggabungan kepercayaan dan ketidakpercayaan dalam bilangan yang tunggal memiliki dua kegunaan, yaitu : 1. Faktor kepastian digunakan untuk tingkat hipotesis di dalam urutan kepentingan. Contoh : jika seorang pasien mempunyai gejala tertentu yang mengindikasikan beberapa kemungkinan penyakit, maka penyakit dengan CF tertinggi menjadi urutan pertama dalam urutan pengujian.

Ukuran kepercayaan dan ketidapercayaan didefinisikan dalam probabilitas sebagai berikut : 1 max[P(H|E),P(H)]-P(H) max[1,0]-P(H) P(H) = 1 lainnya

MB(H,E) =

MD(H,E) =

1 max[P(H|E),P(H)]-P(H) min [1,0]-P(H)

P(H) = 0 lainnya

Karakteristik dari MB, MD dan CF Karakteristik Jangkauan

Hipotesis pasti benar P(H|E) = 1 Hipotesis pasti salah P(H|E) = 1 Kekurangan fakta P(H|E) = P(H)

Nilai 0 MB 1 0 MD 1 -1 CF 1 MB = 1 MD = 0 CF = 1 MB = 0 MD = 1 CF = -1 MB = 0 MD = 0 CF = 0

Faktor kepastian (CF) menunjukkan jaringan kepercayaan dalam suatu hipotesis ayng berdasarkan pada beberapa fakta. CF Positif : mendukung hipotesis, karena MB > MD. CF=1 : fakta secara definisi membuktikan suatu hipotesis CF=0 : CF=MB-MD = 0 , berarti tidak ada fakta MD=MB, berarti kepercayaan dihapus atau ditiadakan oleh ketidakpercayaan CF Negatif : fakta menandakan negasi dari hipotesis, karena MB < MD. Dengan kata lain menyatakan ketidakpercayaan terhadap hipotesis daripada mempercayainya. 2. Faktor kepastian memberikan seorang pakar untuk menyatakan kepercayaan tanpa menyatakan nilai ketidakpercayaan. Formulanya : CF(H,E) + CF(H,E) = 0 Berarti, fakta mendukung suatu hipotesis dan mengurangi dukungan terhadap negasi dari hipotesis dengan jumlah yang sama, sehingga jumlahnya selalu nol. Contoh : Mahasiswa lulus jika mendapatkan nilai A untuk suatu mata kuliah. CF(H,E) = 0,70 CF(H,E) = -0,70 Seberapa kepercayaan Anda bahwa mendapatkan nilai A akan membantu Anda lulus ? Jawab : saya pastikan 70% bahwa saya akan lulus jika saya memperoleh nilai A untuk mata kuliah ini. Seberapa ketidakpercayaan Anda bahwa mendapatkan nilai A akan membantu Anda lulus ? Jawab : saya pastikan -70% bahwa saya tidak akan lulus jika saya memperoleh nilai A untuk mata kuliah ini

PROTOTYPE SISTEM PAKAR (kelompok 5)A. Pengertian Prototype Metode protyping sebagai suatu paradigma baru dalam pengembangan sistem informasi, tidak hanya sekedar suatu evolusi dari metode pengembangan sistem informasi yang sudah ada, tetapi sekaligus merupakan revolusi dalam pengembangan sistem informasi manajemen. Dengan menggunakan prototype merupakan suatu proses untuk membangun solusi perancangan yang kongkrit dan visibel yang berawal dari kebutuhan pengguna pengguna. Prototype mewakili model produk yang akan dibangun. Selain itu, prototype untuk mensimulasikan struktur, fungsionalitas, atau operasi sistem dari perangkat lunak atau sistem yang akan dibangun. Prototipe merupakan simulasi atau animasi dari bakal sistem. Prototipe merupakan suatu metode dalam pengembangan sistem yg menggunakan pendekatan untuk membuat sesuatu program dengan cepat dan bertahap sehingga segera dapat dievaluasi oleh pemakai Prototipe ini memang benar-benar cocok untuk user yang awam IT. Dalam pembuatan prototipe, dapat menerapkan UCD (User Centered Design). Karakteristik dalam proses UCD (User Centered Design), yaitu: memahami user dan kebutuhannya, fokus pada user pada tahap awal desain dan mengevaluasi hasil desain., mengidentifikasi, membuat dokumentasi dan menyetujui kegunaan dan tujuan pengalaman user, perulangan hampir dapat dipastikan, para perancang tidak pernah berhasil hanya dalam satu kali proses. B. Prototype Dalam Sistem Pakar Prototyping merupakan suatu hal yang penting dalam sistem pakar. Prototype sistem pakar adalah sistem berukuran kecil (daerah permasalahannya lebih kecil daripada yang sesungguhnya). Sebelum mulai membangun sistem pakar yang sesungguhnya biasanya membangun dahulu prototipe dari sistem pakar itu. Daerah permasalahan yang dibahas dalam prototipe jauh lebih kecil daripada daerah permasalahan yang sesungguhnya, lagi pula kaidah yang dipakai tidak perlu sempuma, yang diutamakan dalam prototipe ini ialah dapat memperlihatkan bahwa sistem pakar yang dibangun ini sudah dapat berjalan dan unsur penting dari domain pengetahuan yang dibahas sudah dapat masuk ke dalam prototipe ini. Skema rapid prototyping adalah sebagai berikut :

Keuntungan dari rapid prototyping adalah sebagai berikut: 1. Pengembang proyek mendapat gambaran sistem, mendapat gambaran perbaikan, dapat menjual sistem kepada yang skeptis, gambaran ide dan nilai hardware dan software, dan dapat mendemonstrasikan kemampuan sistem pakar. 2. Adanya komunikasi yang baik antara pengembang dan pelanggan 3. Pengembang dapat bekerja lebih baik dalam menentukan kebutuhan pelanggan 4. Pelanggan berperan aktif dalam pengembangan sistem 5. Lebih menghemat waktu dalam pengembangan sistem 6. Penerapan menjadi lebih mudah karena pemakai mengetahui apa yang diharapkannya. 7. Memberikan hasil yang lebih akurat dari pada perkiraan sebelumnya, karena fungsi yang diinginkan dan kerumitannya sudah dapat diketahui dengan baik.

8. User merasa puas. Pertama, user dapat mengenal melalui komputer. Dengan melakukan prototipe (dengan analisis yang sudah ada), user belajar mengenai komputer dan aplikasi yang akan dibuatkan untuknya. Kedua, user terlibat langsung dari awal dan memotivasi semangat untuk mendukung analisis selama proyek berlangsung. Prototype dalam sistem pakar juga memiliki kelemahan yaitu: 1. Pelanggan kadang tidak melihat atau menyadari bahwa perangkat lunak yang ada belum mencantumkan kualitas perangkat lunak secara keseluruhan dan juga belum memikirkan kemampuan pemeliharaan untuk jangka waktu lama 2. Pengembang biasanya ingin cepat menyelesaikan proyek. Sehingga menggunakan algoritma dan bahasa pemrograman yang sederhana untuk membuat prototyping lebih cepat selesai tanpa memikirkan lebih lanjut bahwa program tersebut hanya merupakan cetak biru sistem . 3. Hubungan pelanggan dengan komputer yang disediakan mungkin tidak mencerminkan teknik perancangan yang baik Manfaat menggunakan prototype seperti yang dijelaskan di bawah ini: 1. Evaluasi dan feedback pada rancangan interaktif. 2. Stakeholder (dalam hal ini user) dapat melihat, menyentuh, berinteraksi dengan prototype sehingga user dapat mengetahui perkembangan sistem yang akan dibangun. 3. Anggota tim dapat berkomunikasi secara efektif. 4. Para perancang dapat mengeluarkan ide-idenya. 5. Memunculkan ide-ide secara visual dan mengembangkannya. 6. Dapat menjawab pertanyaan atas masalah yang muncul sehingga dapat membantu pemilihan di antara alternatif-alternatif penyelesaian masalah tersebut. Dimensi Prototipe Dimensi prototipe dapat digambarkan sebagai berikut:

1. Penyajian, yang meliputi: Bagaimana desain dilukiskan atau diwakili? Dapat berupa uraian tekstual atau dapat visual dan diagram. 2. Lingkup, yang meliputi: Apakah hanya interface atau apakah mencakup komponen komputasi? 3. Executability (Dapat dijalankan), yang meliputi: Dapatkah prototype tersebut dijalankan? Jika dikodekan, akan ada periode saat prototype tidak dapat dijalankan. 4. Maturation (Pematangan), yang meliputi: Apakah tahapan-tahapan produk ini mengikuti? Revolusioner: mengganti yang lama dengan yang baru ketika prototype dirasa sudah mencukupi permintaan user. Evolusioner : terus melakukan perubahan pada perancangan yang sebelumnya. Metode Pembuatan Rapid Prototyping Dalam pembuatan rapid prototyping, terdapat metode-metode yaitu: 1. Non-Computer (Manual) Metode ini biasanya dikerjakan lebih awal dalam proses pembuatan. Tujuan dari metode ini adalah ingin menyatakan gagasan desain dan mendapatkan dengan mudah dan cepat pendapat atas sistem.

Model prototipe ini merupakan salah satu cara yang efektif dan berguna untuk mengevaluasi dan meng-iterasi perancangan sebelum tim memutuskan untuk mengimplementasikannya. Dengan metode ini merancang sistem dapat dikerjakan saat tim perancang duduk bersama sambil mendengarkan tanggapan pengguna. Pengguna juga dapat membuat pilihan dan mengubah atau memberi catatan pada elemen antarmuka serta menyatakan pikiran serta impresinya. Kemudian anggota yang lain dapat memberi catatan yang diperlukan dengan mudah. Metode non-computer dapat berupa deskripsi tekstual dari suatu desain sistem. Kelemahan yang nyata

adalah seberapa jauh dari sistem yang sebenarnya. Tidak dapat melakukan suatu pekerjaan yang mewakili aspek dari interface. Contoh-contoh metode non-computer: Sketsa, Mock-ups Paper-Based menggambarkan interface dengan menggunakan icon-icon atau simbol, baik untuk user mengungkapkan pendapat, difokuskan pada orang dengan desain tingkat tinggi, tidak terlalu baik untuk menggambarkan alur dan rinciannya karena hanya berupa sketsa awal sistem, murah dan cepat.

Storyboarding Pensil dan simulasi catatan atau walkthrough dari kemampuan dan tampilan sistem, menggunakan urutan diagram/gambar. Setiap halaman terdapat keterangan sehingga pengguna dapat menjelajah ke seluruh aplikasi. Storyboard dapat digunakan pada awal siklus perancangan yang dapat mendukung eksplorasi kemungkinan perancangan dan verifikasi awal dari kebutuhan pengguna. Contoh :

Skenario Hipotesis atau imajinasi penggunaan, biasanya menyertakan beberapa orang, peristiwa, lingkungan dan situasi. Menyediakan konteks operasi. Terkadang dalam format naratif, tetapi juga dapat berupa sketsa atau bahkan video. Utilitas Skenario Menjanjikan dan menarik, mengijinkan perancang untuk melihat masalah dari pandangan orang lain, memudahkan umpan balik dan pendapat, dapat sangat kreatif dan modern.

Tutorial dan Manual Mungkin menuliskannya lebih berguna daripada disimpan dalam kepala. Memaksa perancang untuk membuat keputusan dengan tegas. Menulis di atas kertas jauh lebih berharga. Wizard of Oz Pengguna seakan berhadapan dengan software-based prototyping. Pengguna berinteraksi dengan software tersebut seperti berinteraksi dengan produk. Ada orang lain/operator yang operasikan komputer. Operator ini simulasikan respon software ke pengguna. 2. Computer-Based, biasanya dikerjakan kemudian Menirukan lebih banyak kemampuan sistem, pada umumnya hanya baru beberapa aspek atau fitur. Dapat berpusat pada lebih banyak detail. Metoda ini berkenaan dengan konsep pengembangan dengan menggunakan prototipe perangkat lunak atau perangkat keras. Prototyping cepat digambarkan sebagai suatu metoda berbasis komputer, yang dapat membantu untuk mengurangi iterasi siklus pengembangan. Prototipe interaktif dikembangkan agar dapat dengan cepat diganti atau diubah sejalan dengan umpanbalik perancangan. Terminologi Prototipe Terminologi dalam prototipe, meliputi: 1. Prototype Horisontal Sangat luas, mengerjakan atau menunjukkan sebagian besar interface, tetapi tidak mendalam. Mencakup seluruh antarmuka pengguna namun tanpa fungsi pokok, berupa simulasi dan belum dapat digunakan untuk melakukan pekerjaan yang sesungguhnya. Misal, pengguna dapat mengeksekusi seluruh navigasi dan perintah pencarian pencarian, tapi tanpa memanggil informasi real. Mengurangi level fungsionalitas fungsionalitas, tetapi semua fitur ada. 2. Prototype Vertikal Lebih sedikit aspek atau fitur dari interface yang disimulasikan, tetapi dilaksanakan dengan rincian yang sangat baik. Mengandung fungsi yang detail tapi hanya untuk beberapa fitur terpilih terpilih, dan tidak pada keseluruhan sistem. Mempunyai performans lebih rendah dibanding sistem final Selain terminologi secara vertical dan horisontal, terminologi prototipe juga dibagi berdasarkan tingkat kerincian dengan sistem finalnya, yaitu: 1. Low-fidelity Prototyping (prototype dengan tingkat ketepatan yang rendah) Gambaran cepat dari sistem final. Mempunyai fungsi atau interaksi yang terbatas Lebih menggambarkan konsep, perancangan, alternativ dan layout layar dibanding model interaksi pengguna dengan sistem. Mendemonstrasikan secara umum feel and look dari antarmuka pengguna. Tidak untuk memperlihatkan secara rinci bagaimana operasi sistem aplikasi. Digunakan pada awal siklus perancangan. Memperlihatkan konsep pendekatan secara umum tanpa harus membuang banyak tenaga, biaya dan waktu. Contoh: storyboard, sketsa, wizard of oz. 2. Mid-fidelity prototyping (prototype dengan tingkat ketepatan sedang) Form skematik. Navigasi dan fungsi yang disimulasikan biasanya berbasis pada apa yang tampil pada layar atau simulasi layar. Contoh tools yang digunakan: powerpoint, illustrator, dll. Membangun antarmuka pengguna dalam mode test. Membuat Slides show dan simulasi. Tools yang digunakan: powerpoint, illustrator 3. High-fidelity prototyping (prototype dengan tingkat ketepatan yang tinggi) Hi-fi prototype seperti sistem akhir. Menggunakan bahan baku yang sama seperti produk akhir. Tools umum yang digunakan: Macromedia Director, Visual Basic, Flash. Pengguna dapat memasukkan data kedalam medan masukan, menanggapi pesan pesan, memilih icon untuk membuka window,berinteraksi dengan UI. Mewakili fungsi-fungsi inti dari antarmuka pengguna produk. Tidak secepat dan semudah membuat prototipe low fidelity. Prototyping Tools 1. Draw/Paint Program Menggambar setiap layar, baik untuk dilihat. Prototype horisontal, tipis. Contoh: Photoshop, Coreldraw

2. Scripted Simulations/Slide Show Letakkan tampilan seperti storyboard dengan (animasi) perubahan diantaranya. Dapat memberikan user catatan yang sangat spesifik. Contoh: Powerpoint, Hypercard, Macromedia Director, HTML. 3. Interface Builders Tools untuk menampilkan jendela, kendali, dan lain-lain dari interface. Mudah dikembangkan dan memodifikasi layar. Mendukung jenis interface yang dikembangkan. Mendukung berbagai macam device Input/Output. Mudah untuk memodifikasi dan menghubungkan layar. Mengijinkan memanggil prosedur eksternal dan program. Mengijinkan mengimpor teks, grafik, media lain. Mudah untuk dipelajari dan digunakan. Dukungan yang baik dari vendor. Contoh: Visual Basic, Delphi.

Pemodelan Prototipe

REPRESENTASI MASALAH (KEOMPOK 6)A. REPRESENTASI MASALAH Seperti telah diketahui pada system yang menggunakan kecerdasan buatan akan mencoba memberikan output berupa solusi suatu masalah berdasarkan kumpulan pengetahuan yang ada ( Gambar 2.1 ).

Dari gambar tersebut, input yang diberikan pada system yang menggunakan kecerdasan buatan berupa masalah. Pada system harus dilengkapi dengan dekumpulan pengentahuan yang ada pada basis pengetahuan (knowledge base ). System harus memiliki interfence engine agar system mampu mengambil kesimpulan berdasarkan fakta atau pegetahuan. Output yang diberikan berupa solusi masalah sebagai hasil dari inferensi. Secara umum untuk membangun system yang mempu menyelesaikan masalah perlu mempertimbangkan 4 hal : 1. Mendefinisikan masalah dengan tepat. Pendefinisian ini mencakup spesifikasi yang tepat mengenai keadaan awal ( intial state) dan solusi yang diharapkan. 2. Menganalisis masalah serta mencari beberapa teknik penyelesaian masalah yang sesuai. 3. Merepresentasikan pengetahuan yang perlu menyelesaikan masalah tersebut. 4. Memilih teknik penyelesaian masalah yang terbaik. B. MENDEFINISIKAN MASALAH SEBAGAI SUATU RUANG KEADAAN Misalkan permasalahan yang dihadapi adalah permainan catur, maka harus ditentukan : 1. Posisi awal pada papan catur Posisi awal setiap permainan catur selalu sama, yaitu semua bidak diletakkan di atas papan catur dalam 2 sisi, yaitu kubu putih dan kubu hitam. 2. Aturan aturan untuk melakukan gerakan Aturan aturan ini sangat berguna untuk menentukan gerakan suatu bidak, yaitu melangkah dari satu keadaan ke keadaan lain. Misalkan untuk mempermudah menunjukkan posisi bidak, setiap kotak ditunjukkan dalam huruf (a,b,c,d,e,f,g,h) pada arah horisontal dan angka (1,2,3,4,5,6,7,8) pada arah vertikal. Suatu aturan untuk menggerakkan bidak dari posisi (e,2) ke (e,4) dapat ditunjukkan dengan aturan : if bidak putih pada kotak(e,2), and kotak(e,3) kosong, and kotak(e,4) kosong then gerakkan bidak dari (e,2) ke (e,4) 3. Tujuan (goal) Tujuan yang ingin dicapai adalah posisi pada papan catur yang menunjukkan kemenangan seseorang terhadap lawannya. Kemenangan ini ditandai dengan posisi raja yang sudah tidak dapat bergerak lagi. Contoh tersebut menunjukkan representasi masalah dalam Ruang Keadaan (State Space), yaitu suatu ruang yang berisi semua keadaan yang mungkin. Kita dapat memulai bermain catur dengan menempatkan diri pada keadaan awal, kemudian bergerak dari satu keadaan ke keadaan yang lain sesuai dengan aturan yang ada, dan mengakhiri permainan jika salah satu telah mencapai tujuan.

Jadi untuk mendeskripsikan masalah dengan baik harus : 1. Mendefinisikan suatu ruang keadaan (state space) 2. Menetapkan satu atau lebih keadaan awal (initial state) 3. Menetapkan satu atau lebih tujuan (goal state) 4. Menetapkan kumpulan aturanC. PEMILIHAN MASALAH Pembuatan Sistem Pakar membutuhkan waktu dan biaya yang banyak. Untuk menghindari kegagalan yang memalukan dan kerugian yang besar, maka dibuat beberapa pedoman untuk menentukan apakah Sistem Pakar cocok untuk memecahkan suatu problem: a. Biaya yang diperlukan untuk pembangunan Sistem Pakar ditentukan oleh kebutuhan untuk memperoleh solusi. Sehingga harus ada perhitungan yang realistis untuk cost and benefit. b. Pakar manusia tidak mudah ditemui untuk semua situasi di mana dia dibutuhkan. Jika pakar pengetahuan tersebut terdapat di mana saja dan kapan saja, maka pembangunan Sistem Pakar menjadi kurang berharga. c. Problem yang ada dapat diselesaikan dengan teknik penalaran simbolik, dan tidak membutuhkan kemampuan fisik. d. Problem tersebut harus terstruktur dengan baik dan tidak membutuhkan terlalu banyak pengetahuan awam (common sense), yang terkenal sulit untuk diakuisisi dan dideskripsikan, dan lebih banyak berhubungan dengan bidang yang teknis. e. Problem tersebut tidak mudah diselesaikan dengan metode komputasi yang lebih tradisionil. Jika ada penyelesaian algoritmis yang bagus untuk problem tersebut, maka kita tidak perlu memakai sistem pakar. f. Ada pakar yang mampu memberikan penjelasan tentang kepakarannya serta mau bekerjasama. Adalah sangat penting bahwa pakar yang dihubungi benar-benar mempunyai kemauan kuat untuk ikut berpartisipasi serta tidak merasa pekerjaannya akan menjadi terancam. g. Problem tersebut mempunyai sekup yang tepat. Biasanya merupakan problem yang membutuhkan kepakaran yang sangat khusus namun hanya membutuhkan seorang pakar untuk dapat menyelesaikannya dalam waktu yang relatif singkat (misalnya paling lama 1 jam).

D. CARA PERUMUSAN MASALAH Tidak ambiguitas Rumusan harus jelas dan tegas. Mengekspresikan hubungan antara dua variabel atau lebih. Perumusan masalah atau pertanyaan penelitian merupakan tahap akhir pada penemuan masalah setelah peneliti memilih bidang dan pokok masalah yang diteliti. Kriteria penelitian yang baik menghendaki rumusan masalah atau pertanyaan penelitian yang jelas dan tidak ambiguitas. Agar memudahkan peneliti dalam menentukan konsep-konsep teoritis yang ditelaah dan memilih metode penguji data yang tepat. Masalah penelitian sebaiknya dinyatakan dalam bentuk pertanyaan yang mengekspresikan secara jelas hubungan antara dua variabel atau lebih. Meski demikian dalam jurnal internasional masalah penelitian seringkali disusun dalam bentuk narasi tujuan penelitian. Rumusan masalah dalam suatu penelitian dapat berupa lebih dari suatu pertanyaan. Contoh, rumusan masalah penelitian berbentuk pertanyaan, sebagai berikut : Bagaimana pengaruh idealisme terhadap komitmen pada profesi. E. AREA PERMASALAHAN SISTEM PAKAR Sebelum kita membangun suatu sistem pakar, kita harus memilih suatu masalah yang tepat. Area permasalahan aplikasi sistem pakar, yaitu : Interpretasi Memberikan gambaran tentang sekumpulan data mentah yang biasanya diperoleh melalui sensor. Contoh : pengenalan kata atau ucapan, pembuatan peta, pengawasan, analisis citra, interpretasi sinyal, dan beberapa analisis kecerdasan. Prediksi Memberikan kesimpulan mengenai akibat yang mungkin ditimbulkan dari sejumlah situasi yang diberikan. Contoh : perkiraan cuaca, ramalan panen, prediksi demografis, peramalan ekonomi, prediksi lalulintas, estimasi hasil, militer, pemasaran, atau peramalan keuangan. Diagnosa

Menentukan penyebab gagalnya suatu sistem dalam situasi yang kompleks yang didasarkan pada observasi terhadap gejala-gejala yang dapat diamati. Contoh : diagnosa penyakit pada bidang kedokteran. Desain Menentukan konfigurasi yang cocok dari komponen-komponen yang ada dalam sebuah sistem sehingga unjuk kerja yang memuaskan dapat diperoleh walaupun di dalamnya terdapat sejumlah keterbatasan. Contoh : penyusunan anggaran belanja, desain arsitektur rumah Perancangan Membuat suatu perancangan. Contoh : layout sirkuit dan perancangan bangunan. Perencanaan Mendapatkan urutan tindakan yang harus dilakukan untuk mencapai sasaran yang ditentukan sebelumnya dari suatu kondisi awal ertentu. Contoh : perencanaan strategi manajemen, perencanaan keuangan, pengembangan produk, routing, dan manajemen proyek. Pengawasan (Monitoring) Membandingkan perilaku yang diamati pada suatu sistem dengan perilaku yang diharapkan untuk mengenali lebih banyak variasi perilaku di dalamnya. Contoh : manajemen pengawasan, pengendalian instalansi nuklir. Pelacakan dan Perbaikan (Debugging dan Repair) Penentuan dan implementasi perbaikan pada kegagalan suatu sistem. Contoh : uji coba software komputer, reparasi mesin, pelacakan kerusakan hardware komputer. Instruksi Melakukan instruksi untuk diagnosis, debugging, dan perbaikan kerja. Contoh : program untuk tutorial. Klasifikasi Menentukan kategori dari sejumlah kriteria yang diberikan. Contoh : penentuan jabatan seorang pegawai. Kontrol Pengaturan perilaku kerja dalam suatu lingkungan yang kompleks, termasuk di dalamnya penafsiran, perkiraan dan perbaikan perilaku kerja sistem tersebut. Contoh : pengawasan jadwal penerbangan.

F. LANGKAH MEMECAHKAN MASALAH-MASALAH KHUSUS Terdapat tiga langkah utama yang dapat dilakukan untuk membangun sebuah sistem, serta memecahkan suatu masalah-masalah khusus: 1. Definisikan masalah/persoalan Kejelasan spesifikasi dari situasi awal (initial) atau start state Situasi akhir atau goal state berpedoman pada solusi yang pantas untuk persoalannya 2. Analisa Masalah Langkah ini menganalisa masalah yang dihadapi dang mengungkapkan masalah tersebut dalam satu sistem symbol. Sistem tersebut dapat merupakan diagram, skema, graf atau simbol-simbol yang lain. Sistem simbol ini harus diterjemahkan dalam bahasa pemrograman AI. Sistem ini harus dapat mengungkapkan dengan tepat keadaan awal (Initial State). Keadaan akhir atau sasaran yang dituju (Goal State). 3. Bagi ke bagian kecil yang merupakan ciri penting dapat berpengaruh sekali terhadap kelayakan dari bermacam-macam teknik untuk memecahkan masalah/persoalan.

KELOMPOK 7 REPRESENTASI PENGETAHUAN1. PENGENALAN REPRESENTASI PENGETAHUAN Dalam menyelesaian masalah tentu membutuhkan pengetahuan pengetahuan yang cukup. Selain itu sistem harus bisa untuk menalar. Representasi pengetahuan dan kemampuan untuk melakukan penalaran dalam bidang kecerdasan buatan merupakan hal yang penting. Meskipun suatu sistem memiliki banyak pengetahuan, namun jika tidak memiliki kemampuan untuk menalar akan percuma saja. Sebaliknya jika sistem memiliki kemampuan yang handal untuk menalar tapi basis pengetahuan yang dimilikinya tidak cukup, maka solusi yang diperolehnya menjadi tidak maksimal. Dalam representasi pengetahuan ada dua hal yang harus diperhatikan, yaitu: 1. Fakta Objek yang akan direpresentasikan ini menerangkan keadaan tentang beda yang ada dalam domain masalah. Fakta dapat juga berupa keterangan/kalimat dalam bahasa alami, logika atau benda.Logika 2. Formula Bentuk representasi yang dapat dimanipulasi dalam proses pemecahan soal. Bentuk ini harus dapat melukisakan hubungan antara komponen komponen domain masalah. Secara singkat, representasi pengetahuan diklasifikasikan menjadi 4 kategori: Representasi Logika Representasi jenis ini menggunakan ekspresi ekspresi dalam logika formal untuk merepresentasikan basis pengetahuan. Representasi procedural Representasi ini menggambarkan pengetahuan sebagai kumpulan instruksi untuk memecahkan suatu problema. Representasi Network Representasi ini menangkap pengetahuan sebagai sebuah graf dimana simpul simpulnya menggambarkan obyek atau konsep dari problema yang dihadapi, sedangkan edgenya menggambarkan hubungan atau asosiasi antar mereka. Representasi terstruktur Representasi terstruktur memperluas network dengan cara membuat setiap simpulnya menjadi sebuah struktur data kompleks. Banyak cara untuk menyatakan representasi pengetahuan dan setiap cara mempunyai kelebihan dan kelemahan masing-masing. Adapun cara untuk representasi pengetahuan diantaranya adalah kalkulus predikat, logika, pohon, frame, script dan semantic network. 2. CARA REPRESENTASI PENGETAHUAN A. LOGIKA Logika ini adalah bentuk representasi pengetahuan yang paling tua. Pada dasarnya proses logika adalah proses membentuk kesimpulan atau menarik inferensi berdasarkan fakta yang ada. Input dari proses berupa premis atau fakta yang diakui kebenarannya sehingga dengan melakukan penalaran pada proses logika dapat dibentuk suatu inferensi atau kesimplan yang benar pula. Ada dua penalaran untuk mendapatkan konklusi: a. Penalaran deduktif Penalaran dimulai dari prinsip umum untuk mendapatkan konklusi yang lebih khusus. b. Penalaran induktif Penalaran dimulai dari fakta fakta khusus untuk mendapatkan kesimpulan umum. Pada representasi logika ini ada dua metode yaitu: 1. Logika proposisi Proposisi adalah pernyataan yang dapat bernilai benar (B) atau salah (S). Simbol symbol seperti P dan Q menunjukkan proposisi. Dua atau lebih proposisi dapat digabungkan dengan menggunakan operator logika yaitu: - Konjungsi: ^ (AND) - Disjungsi: v (OR) - Negasi : (NOT) - Implikasi : (IF Then) - Ekuivalensi : Untuk nilai kebenaran dari semua operator logika dapat dilihat di table kebenaran berikut:

Gambar 1. Tabel Kebenaran (www.elearning.gunadarma.ac.id) Pembuktian Teorema (RESOLUSI) Untuk melakukan inferensi pada logika proposisi dapat dilakukan dengan menggunakan resolusi. Resolusi adalah aturan untuk melakukan inferensi secara efisien dalam bentuk khusus yang dikenal dengan Conjunctive Normal Form (CNF). Bentuk CNF ini mempunyai ciri ciri sebagai berikut: - Setiap kalimat merupakan disjungsi literal - Semua kalimat terkonjungsi secara implisit Kalimat yang ditulis dalam logika proposisi dapat dikonversi ke bentu CNF. Kita perlu menghapus operator operator selain OR tanpa harus mengubah arti dari kalimat tersebut. Untuk mengubah suatu kalimat ke dalam bentu CNF, dilakukan langkah berikut: - Hilangkan implikasi dan ekuivalensi - Kurangi lingkup semua negasi menjasi satu negasi saja - Gunakan aturan asosiatif dan distributive untuk mengkonversi menjadi konjungtif atau disjungtif - Buat satu kalimat terpisah untuk tiap tiap konjungsi Pada logika proposisi, prosedur untuk membuktikan proposisi P dengan beberapa aksioma F yang telah diketahui, dengan menggunakan resolusi dapat dilakukan melalui algoritma sebagai berikut: 1. Konversikan semua proposes F ke bentuk CNF 2. Negasikan P, dan konversikan hasil negasi ke bentuk klausa. Tambahkan ke himpunan klausa yang telah ada pada langkah 1. 3. Kerjakan hingga terjadi kontradiksi atau proses tidak mengalami kemajuan: a. Seleksi 2 klausa sebagai klausa parent b. Bandingkan secara bersama sama. Klausa hasil resolve tersebut dinamakan resolvent. Jika ada pasangan literal L dan L, eliminir dari resolvent. c. Resolvent berupa klausa kosong, maka ditemukan kontradiksi. Jika tidak, tambahkan ke himpunan klausa yang telah ada. Contoh : Diketahui basis pengetahuan (fakta fakta yang bernilai benar) sebagai berikut: 1. P 2. (P ^ Q) R 3. (S v T) Q 4. T Buktikan kebenaran R ! Apabila akan dibuktikan kebenaran R dengan menggunakan resolusi maka kita harus ubah keempat fakta diatas menjadi bentuk CNF. Konversi ke CNF dapat dilakukan sebagai berikut KALIMAT LANGKAH LANGKAH CNF 1. P 2. (P ^ Q) R Sudah merupakan bentuk CNF Menghilangkan implikasi (P ^ Q) v R Mengurangi lingkup negasi ( P v Q) v R Gunakan asoisatif P v Q v R Menghilangkan implikasi (S v T) v Q Mengurangi lingkup negasi ( S ^ T) v Q Gunakan distributive ( S v Q) (T v Q) P P v Q v R

3. (S v T) Q

-

SvQ T v Q

-

4. T

Sudah dalam bentuk CNF

T

Kemudian tambhakan kontradikisi pada tujuannya, R menjadi R sehingga fakta fakta (dalam bentuk CNF) dapat disusun menjadi: 1. P 2. (P v Q) v R 3. S v Q 4. T v Q 5. T 6. R Dengan demikian resolusi dapat dilakukan untuk membuktikan R sebagaiman terlihat pada gambar berikut

Gambar 2. Pembuktian dengan Resolusi (www.elearning.gunadarma.ac.id) Contoh apabila diterapkan dalam kalimat: P : Agung anak yang cerdas Q : Agung rajin belajar R : Andi akan menjadi juara kelas S : Agung makannya banyak T : Agung istirahatnya cukup Kalimat yang terbentuk: Agung anak yang cerdas Jika Agung anak yang cerdas dan Agung rajin belajar, maka Agung akan menjadi juara kelas Jika Agung makannya banyak atau Agung istirahatnya cukup, maka Agung rajin belajar Agung istirahatnya cukup Setelah dilakukan konversi ke CNF, didapat: Fakta ke-2 : Agung tidak cerdas atau Agung tidak rajin belajar atau Agung akan menjadi juara kelas Fakta ke-3 : Agung tidak makan banyak atau Agung rajin belajar Fakta ke-4 : Agung tidak cukup istirahat atau Agung rajin belajar 2. Kalkulus predikat Kalkulus predikat adalah salah satu formula yang terdiri dari predikat, variable, konstanta atau fungsi. Kalkulus predikat digunakan untuk merepresentasikan hal hal yang tidak dapat direpresentasikan dengan menggunakan logika proposisi. Pada logika predikat kita dapat merepresentasikan fakta fakta sebagai pernyataan yang disebut wff (well formed formula). Contoh : 1. WARNA (RUMAH, MERAH) warna predikat rumah , merah konstanta 2. WARNA (x, MERAH) x adalah sembarang benda yang berwarna merah 3. WARNA(x, y)

predikat ini menyatakan suatu sifat warna antara variable x dan y Biasanya predikat dan konstanta ditulis dengan huruf besar, sedangkan variable atau fungsi ditulis dalam huruf kecil. Formula formula ini mempunyai beberapa kaidah yang menghubungkan satu dengan yang lain. Kalkulus predikat bersifat rangkaian (connective) seperti : 1. Konjungtif ( ^ ) Fakta : Amin tinggal di rumah yang berwarna kuning Formula : TINGGAL (AMIN, RUMAH) ^ WARNA (RUMAH, KUNING) 2. Disjungtif ( v ) Fakta : Amin bisa main biola dan piano Formula : MAIN (AMIN, PIANO) v MAIN (AMIN, BIOLA) 3. Negasi ( ) Fakta : Amin tidak bisa main biola Formula : MAIN (AMIN, BIOLA) 4. Implikasi ( ) Fakta : Amin mempunyai mobil biru Fakta tersebut mempunyai arti : bila Amin mempunyai mobil maka mobil itu berwarna biru Formula : PUNYA (AMIN, MOBIL_A) WARNA (MOBIL_A, BIRU) 5. Kuantifier (penghitung) Kuantifier adalah suatu symbol dalam satu formula yang memebenarkan formula itu dalam satu domain. Misal : Fakta : amin punya mobil Formula : PUNYA (x, y) Fakta tersebut dapat ditulis PUNYA (AMIN, MOBIL) dimana AMIN dan MOBIL adalah kuantifier dari variable x dan y. Kuantifier ini ada beberapa tipe yaitu : - Kuantifier universal dimana semua constant membenarkan formula itu : Fakta : semua kucing mempunyai empat kaki. Formula : ( x) BINATANG (x, KUCING) KAKI (x, 4) - Kuantifier yang berlaku untuk suatu keadaan saja Fakta : Ada satu kucing yang berkaki tiga Formula : ( x) BINATANG (x, KUCING) KAKI (x, 3) Contoh kasus : Misalkan ada pernyataan pernyataan sebagai berikut : 1. Karto adalah seorang laki laki 2. Karto adalah orang jawa 3. Karto lahir pada tahun 1840 4. Setiap laki laki pasti mati 5. Semua orang jawa mati pada saat Krakatau meletus tahun 1883 6. Setiap orang pasti mati setelah hidup lebih dari 150 tahun 7. Sekarang tahun 2003 8. Mati berarti tidak hidup 9. Jika seseorang mati, maka beberapa waktu kemudian ia pasti dinyatakan mati. Diubah menjadi predikat : 1. Laki2 (Karto) 2. Jawa (Karto) 3. Lahir (karto, 1840) 4. x : laki2 (x) pastimati (x) 5. Meletus (Krakatau, 1883) ^ x:[Jawa (x) mati (x, 1883). Dapat dipecah menjadi : 5a. meletus (Krakatau, 1883) 5b. x : [Jawa (x) mati (x, 1883)] 6. x : t1 : t2 : pastimati (x) ^ lahir (x, t1) ^ lahir (x, t2) ^ lb (t2-t1, 150) Mati (x, t2) 7. Sekarang = 2003 8. x : t : [mati (x, t) hidup (x, t) ^ [hidup (x, t) mati (x, t)] 9. x : t1: t2 : mati (x, t1) ^ lb (t2-t1) mati (x, t2) Andaikan akan menjawab pertanyaan : Apakah Karto masih hidup sekarang ?? Maka dengan menggunakan fakta atau aturan yang ada, kita dapat membuktikan bahwa : hidup (Karto, sekarang)

Nilai NIL pada akhir pembuktian menunjukkan bahwa pembuktian sukses. hidup (Karto, sekarang) (8, subtitusi) Mati (Karto, sekarang) (9, subtitusi) Mati (Karto, t1) ^ lb (sekarang, t1) (5b, subtitusi) Jawa (karto) ^ lb (sekarang, 1883) (2) Lb (sekarang, 1883) (7, subtitusi) Lb (2003, 1883) (menghitung lb) NIL Cara lain untuk membuktikan bahwa Karto sudah mati adalah : hidup (Karto, sekarang) (6, subtitusi) Mati (Karto, sekarang) (9, subtitusi) pastmati (Karto) ^ lahir (Karto, t1) ^ lb (sekarang-t1, 150) (1) Lahir (karto, t1) ^ lb (sekarang-1840, 150) (3, subtitusi) Lb (sekarang-1840, 150) (7, subtitusi) Lb (2003-1840, 150) (menghitung minus) Lb (163, 150) (menghitung lb)

B. JARINGAN SEMANTIK Jaringan semantic merupakan teknik representasi AI yang digunakan untuk informasi yang proposional. Jaringan semantic kadang disebut juga sebagai jaringan propotional. Jaringan semantik adalah representasi yang mengekspresikan solusi permasalahan dengan menggunakan network (graph berarah). Struktur dari jaringan semantic ditunjukkan secara grafik yang terdiri dari simpul (node) dan busur (arc) yang menghubungkannya. Node digunakan untuk merepresentasikan suatu kondisi (objek, konsep dan situasi), dan arc untuk merepresentasikan relasi antar simpul. Semantic network ini adalah representasi yang bersifat: Lexically, di dalamnya terdapat node(simpul), link dan batasan-batasan khusus dari permasalahan. Structurally, masing-masing link akan terkoneksi dari simpul yang paling depan (head node) sampai simpul yang paling belakang (tail node). Semantically, semua simpul dan link merepresentasikan permasalahan tetap berada dalam batasannya. Contoh jaringan semantik terlihat pada gambar berikut :

Sister of

wife of Ann husband of mother of Susan mother of John father of wife of husband of father of mother of Bill Caroll

wife of David husband of father of Tom

Gambar 3. Contoh jaringan semantic ( www.slideshare.net ) Link (arc) mempunyai beberapa tipe yaitu : IS-A (ISA) berarti contoh dari dan merupakan anggota tertentu dari kelas. A KIND OF (AKO) berarti jenis dari dan merelasikan antara suatu kelas dengan kelas lainnya. AKO merelasikan kelas individu ke kelas induk dari kelas-kelas dimana individu tersebut merupakan kelas anak. HAS-A berarti mempunyai yang merelasikan suatu kelas menjadi subkelas. HAS-A berlawanan dengan AKO dan sering digunakan untuk merelasikan suatu objek ke bagian dari objek.Aircraft

AKO AKOround

Has shape

ballon

Proppe ller driven

jet

AKO AKOellpsoi dal

AKO AKO AKOConcor de

Has shape

blimp

special

DC3

DC9 DC9

ISAGoodb ye ar Blimp

ISASpririt of St.Louis

ISAAirforce 1

Gambar 4. Contoh tipe tipe link jaringan semantic ( www.slideshare.net ) Jika dalam suatu jaringan semantic akan dilakukan perluasan jaringan, maka penambahan dapat dilakukan dalam 3 cara, yaitu : penambahan objek yang sama, objek yang lebih khusus dan objek yang lebih umum. C. BINGKAI (FRAME) Frame merupakan kumpulan pengetahuan tentang suatu objek tertentu, peristiwa, lokasi, situasi, dan lain lain. Frame memiliki slot yang menggambarkan rincian (atribut) dan karakteristik objek. Frame biasanya digunakan untuk merepresentasikan pengetahuan yang berdasarkan karakteristik yang sudah dikenal yang merupakan pengalaman pengalaman. Dengan menggunakan frame, sangat mudah untuk membuat inferensi tentang objek karena menyediakan basis pengetahuan yang berasal dari pengalaman.

Gambar 5. Contoh Frame (www.elearning.gunadarma.ac.id) Gambar di atas menunjukkan frame alat alat transportasi. Frame memiliki 3 slot, yaitu alat alat transportasi darat, udara, dan laut. Ada beberapa slot yang bernilai tetap, dan tidak tetap (procedural). Slot yang bernilai tetap missal jumlah roda pada sedan (4). Jenis slot lain yang bersifat procedural artinya slot yang memungkinkan panambahan informasi baru yang bisa ditambahkan pada aturan IF. Misal informasi tentang kecepatan perjalanan, pengisisan tangki bahan bakar, atau pemakaina bahan bakar tiap km. D. NASKAH (SCRIPT) Script adalah skema representasi pengetahuan yang sama dengan frame. Perbedaannya frame menggambarkan objek sedangkan script menggambarkan urutan peristiwa. Dalam menggambarkan urutan peristiwa, skrip menggunakan slot yang berisi informasi tentang orang, objek, dan tindakan yang terjadi dalam suatu peristiwa. Elemen elemen script : 1. Kondisi input, yaitu kondisi yang harus dipenuhi sebelum terjadi suatu peristiwa 2. Track, yaitu variasi yang mungkin terjadi dalam suatu script 3. Prop, berisi objek objek pendukung yang digunakan selama peristiwa terjadi 4. Role, yaitu peran yang dimainkan oleh seseorang dalam peristiwa. 5. Scene, yaitu adegan yang dimainkan 6. Hasil, yaitu kondisi yang ada setelah urutan peristiwa yang terjadi Contoh : Jalur (track) : ujian tertulis mata kuliah kecerdasan buatan Role (peran) : mahasiswa, Pengawas Prop (pendukung) : lembar soal, lembar jawab, presensi, pena dan lain-lain Kondisi input : Mahasiswa terdaftar untuk mengikuti ujian Adegan (scene) 1 : Persiapan Pengawas Pengawas menyiapkan lembar soal Pengawas menyiapkan lembar jawab Pengawas menyiapkan lembar presensi Adegan 2 : mahasiswa masuk ruangan Pengawas mempersilahkan mahasiswa untuk masuk ruangan Pengawas membagikan lembar soal Pengawas membagikan lembar jawab Pengawas memimpin doa Adegan 3 : mahasiswa mengerjakan soal ujian Mahasiswa menulis identitas di lembar jawab Mahasiswa menandatangani lembar jawab Mahasiswa mengerjakan soal Mahasiswa mengecek jawaban Adegan 4 : Mahasiswa telah selesai ujian Pengawas mempersilahkan mahasiswa keluar ruangan Mahasiswa mengumpulkan kembali lembar jawab

Mahasiswa keluar ruangan Adegan 5 : pengawas mengemasi lembar jawab Pengawas mengurutkan lembar jawab Pengawas mengecek lambar jawab dan mengurutkan Pengawas meninggalkan ruangan Hasil : Mahasiswa merasa lega dan senang sudah ujian Mahasiswa merasa kecewa Mahasiswa pusing Mahasiswa sangat bersyukur E. Sistem Produksi (Production Rule) Sistem produksi secara umum terdiri dari komponen komponen : 1. Ruang keadaan, yang berisi keadaan awal (initial state), tujuan (Goal state) dan kumpulan aturan (production rule) yang digunakan untuk mencapai tujuan. 2. Strategi control, yang berguna untuk mengarahkan bagaimana proses pencarian akan berlangsung dan mengendalikan arah eksplorasi. Keadaan Awal Aturan Tujuan

Gambar 6. Bagan sistem produksi Strategi Sistem produksi ini sangat populer dan banyak digunakan. Representasi pengetahuan dengan sistem produksi Kontrol pada dasarnya berupa aplikasi aturan yang berupa : 1. Antecendent, yaitu bagian yang mengekspresikan situasi atau premis (pernyataan berawalan IF) 2. Konsekuen, yaitu bagian yang menyatakan suatu tindakan tertentu atau konklusi yang diterapkan jika situasi atau premis bernilai benar (berawalan THEN) Apabila pengetahuan derepresentasikan dengan aturan, maka ada 2 penalaran yaitu : 1. Forward Reasoning (penalaran maju) Pelacakan dimulai Dari keadaan awal (informasi atau fakta yang ada) dan kemudian dicoba untuk mencocokkan dengan tujuan yang diharapkan. 2. Backward Reasoning (penalaran mundur) Dimulai dari tujuan atau hipotesa, baru dicocokkan dengan keadaan awal atan fakta yang ada. Ada beberapa factor yang mempengaruhi pemillihan Forward Reasoning atau Backward Reasoning dalam memilih metode penalaran : - Banyaknya keadaan awal dan tujuan. Jika jumlah keadaan awal lebih kecil dari pada tujuan, maka digunakan Forward reasoning dan sebaliknya - Rata rata jumlah node yang dapat diraih secara langsung dari suatu node. Lebih baik dipilih yang jumlah node tiap cabangnya lebih sedikit - Apakah program butuh menanyai user untuk melakukan justifikasi terhadap proses penalaran? Jika iya, maka dipilih yang memudahkan user - Bentuk kejadian yang akan memicu penyelesaian masalah. Jika kejadian itu berupa fakta baru, maka dipilih penalaran forward reasoning, tapi jika kejadian berupa query, maka lebih baik digunakan backward reasoning.

INFERENSI KETIDAKPASTIAN (KELOMPOK 8)A. Definisi Inferensi Mesin Inferensi adalah pengolah pengetahuan yang meniru pemikiran/pertimbangan dari pakar. Suatu mesin bekerja dengan informasi yang tersedia pada permasalahan yang diberikan, bergandengan dengan pengetahuan yang disimpan pada knowledge base, untuk menarik kesimpulan atau rekomendasi. B. Definisi Inferensi Ketidakpastian Inferensi ketidakpastian yaitu sebuah system yang mampu meng-inferensi (menarik kesimpulan) dari sejumlah data yang memiliki ketidakpastian , yaitu jika data tersebut tidak dapat dinyatakan dalam kondisi ya atau tidak, namun dapat berada di antara kondisi ya dan tidak . C. Fungsi Inferensi Ketidakpastian Inferensi ketidakpastian digunakan untuk mewakili kemampuan manusia untuk mengambil keputusan atas suatu kondisi yang memuat ketidakpastian dan ketidaktepatan. D. Komponen Utama Inferensi Ketidakpastian Dalam sistem inferensi ketidakpastian ada beberapa komponen utama yang dibutuhkan. Komponen tersebut meliputi data : 1. Variabel fuzzy Variabel fuzzy, merupakan variabel yang memiliki sifat ketidakpastian fuzzy, terbagi 2 jenis yaitu variabel input fuzzy dan variable output fuzzy (konsekuen). 2. Himpunan fuzzy Himpunan fuzzy, merupakan suatu kelompok yang mewakili suatu kondisi tertentu dalam variabel fuzzy. 3. Semesta Pembicaraan Semesta pembicaraan, adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy. Dalam menentukan rentang nilai semesta pembicaraan dilakukan berdasarkan hasil perolehan data di lapangan. 4. Domain himpunan fuzzy Domain himpunan fuzzy, adalah keseluruhan nilai yang boleh dioperasikan dalam suatu himpunan fuzzy dan masih berada dalam rentang nilai semesta pembicaraan. 5. Fungsi Keanggotaan Fungsi keanggotaan, adalah kurva yang memetakan titik-titik input data ke dalam derajat keanggotaannya () yang memiliki interval antara 0 sampai 1. 6. Aturan Fuzzy Aturan fuzzy, berfungsi sebagai penghubung antara variabel input fuzzy dengan variable output fuzzy (konsekuen). Hubungan kedua jenis variabel ini dibentuk dalam sebuah relasi yang menggunakan operator fuzzy, and atau or. E. Tahapan pada Inferensi ketidakpastian

Representasi Ketidakpastian dari Basic set of events

Mengkombinasikan Bodies dari Informasi yang Tidak Pasti

Pengambilan Inferensi

Penjelasan : Step 1 : Pakar memperoleh pengetahuan yang tidak pasti : numerik, pasti bahwa .)

grafik, atau simbolik (hampir

Step 2 : Pengetahuan yang tidak pasti dapat digunakan untuk menarik sederhana (step 3) Step 3 : Maksud dari sistem berbasis pengetahuan adalah untuk penarikan

kesimpulan dalam kasus kesimpulan.

F. Metode Representasi Ketidakpastian 1. Numeric Metode yang paling umun untuk merepresentasikan ketidakpastian adalah numeric, dengan menggunakan skala dari 2 angka ekstrim. Biasanya 0 menggambarkan sangat ketidakpastian, sedangkan 1 atau 100 menggambarkan sangat kepastian. Problemnya pakar memberikan angka tertentu sesuai dengan kognisi dan pengalamannya sendiri, selain itu orang cenderung tidak konsisten dalam menilai. 2. Graphic Dengan menggunakan horizontal bar, dapat membantu pakar dalam menggambarkan kepercayaannya dengan event tertentu. Problem dengan graphic adalah tidak seakurat numeric. Beberapa pakar tidak biasa memberikan angka dalam skala, mereka lebih suka member ranking. Expert A Expert B

No confidence Little Some Much Complete confidence 3. Symbolic Contohnya adalah Likert Scale, ranking, dan analytical hierarchy process (AHP). G. Sudy Kasus Judul : meningkatkan kualitas manggis Point : menggunakan metode fuzzy set Parameter : 1. penentuan manggis berdasarkan kajian pustaka khususnya beberapa jurnal yang relevan. Sementara kriteria dirumuskan dengan pertimbangan logis peneliti yang dikonsultasikan dengan beberapa pakar. 2. Penentuan beberapa altenatif aktivitas peningkatan kualitas yang mungkin dilakukan dengan mendefinisikan kriteria kualitas manggis agroindustri yang ada berdasarkan tingkatan kualitasnya. Informasi ini selanjutnya digunakan sebagai inputan utama dalam penyusunan aktivitas yang diperlukan. Mekanisme pengolahan data: Penelitian dilakukan melalui dua tahapan,yaitu penentuan kualitas manggis dan strategi peningkatan kualitas manggis. Kedua tahapan tersebut dilakukan dengan menggunakan teknik Sistem Pakar Fuzzy (Fuzzy Expert System). Yang membedakan keduanya adalah metode FIS yang digunakan, untuk penentuan kualitas manggis digunakan metode FIS Mamdani, hal tersebut dilakukan karena baik input maupun output merupakan himpunan fuzzy. Sedangkan untuk tahapan penentuan strategi peningkatan kualitas menggunakan metode FIS Sugeno karena outputnya mempunyai nilai tunggal (crisp). Fungsi keanggotaan yang digunakan adalah Triangular Fuzzy Number (TFN). Untuk melakukan proses akuisisi pengetahuan dalam rangka menyusun If-Then Rules, dilakukan wawancara dengan empat orang pakar kualitas dan strategi pengolahan manggis. Penelitian ini menitik beratkan pada implementasi metode yang ada pada sistem pakar, oleh karena itu harus ditentukan pakarpakar yang akan dilibatkan dalam pengambilan keputusan. Pakar yang dimaksud adalah orangorang atau pihak-pihak yang mempunyai kompetensi lebih dibidang yang sedang dikaji. Dalam konteks persoalan kualitas manggis inimaka pakar yang dimaksud adalah pihak yang mempunyai keahlian lebih dalam komoditas manggis dan kualitasnya. Keakuratan : Dibandingkan metode lain penentuan Kualitas Manggis Penilaian terhadap kualitas manggis dapat dilakukan dengan menggabungkan seluruh penilaian dimensi kualitas sehingga diperolehpenilaian terhadap kualitas manggis. Dalam penilaian ini, penentuan kualitas manggis diwakilioleh kriteria penampakan (appearence). Inputkriteria penampakan terdiri dari tiga, yaitu ukuran, warna serta kelopak. Contoh aturan yang dibuat : 1. If (Ukuran is Kecil) and (Warna iskuning_kemerahan) and (Kelopak is tidak_ada) then (Penampakan is Buruk) (1) 2. If (Ukuran is Kecil) and (Warna is kuning_kemerahan) and

(Kelopak is kurang_sempurna) then (Penampakan is Buruk) (1) 3. If (Ukuran is Kecil) and (Warna is merah_kecoklatan) and (Kelopak is sempurna) then (Penampakan is Baik) (1) 4. If (Ukuran is Kecil) and (Warna is merah_keunguan) and (Kelopak is sangat_sempurna) then (Penampakan is Sangat_baik) (1) Peningkatan kualitas manggis Strategi peningkatan kualitas manggis diperoleh dari hasil (output) pencocokkan antara kriteria kualitas yang ada di lokasi budidaya (kriteria aktual) dengan kriteria kualitas yang diminta oleh pasar (kriteria diminta). Berdasarkan hasil wawancara dengan pakar terdapat tiga kriteria utama kualitas yang akan menentukan strategi peningkatan kualitas, yaitu : ukuran buah,penampakan warna dan kelopak buah. Ketiga kriteria tersebut dijadikan menjadi enam input karena ada yang bersifat aktual danyang diminta oleh pasar. untuk mendapatkanoutput berupa strategi peningkatan kualitas manggis digunakan metode Fuzzy Inference System Sugeno. Outputnya terdiri dari empat dimensi, yaitu : Perbaikan pemanenan Perbaikan proses perbaikan proses pasca panen Perbaikan budidaya Hubungan input dan output pada strategi peningkatan kualitas manggis diperoleh dari input aturan (Rule based) yang dibuat berdasarkan best practice yang dilakukan dalam memenuhi tuntutan konsumen yang bervariasi Aturan tersebut berjumlah 46 buah. Contoh aturan yang dibuat adalah sebagai berikut : 1. If (Ukuran_Aktual is Kecil) and (Ukuran_Diminta is Sangat_Baik) and (Warna_Aktual is unggu_kehitaman) and (Warna_Diminta is unggu_kehitaman) and (Kelopak_Aktual is kurang_sempurna) and (Kelopak_Diminta is sangat_sempurna) then (Perbaikan_Proses_Panen is pengunaana_julur_pemanen)(Perbaikan_Pas ca_Panen is Sortasi_Ulang)(Perbaikan_Budidaya is Penyiangan) 2. If (Ukuran_Aktual is Kecil) and (Ukuran_Diminta is Sangat_Baik) and (Warna_Aktual is unggu_kehitaman) and (Warna_Diminta is unggu_kehitaman) and (Kelopak_Aktual is kurang_sempurna) and (Kelopak_Diminta is sangat_sempurna) then (Perbaikan_Proses_Panen is Pemanjatan)(Perbaikan_Pasca_Panen is Sortasi_Ulang)(Perbaikan_Budidaya is Penyiangan) 3. If (Ukuran_Aktual is Sedang) and (Ukuran_Diminta is Sangat_Baik) and (Warna_Aktual is merah_keunguan) and (Warna_Diminta is unggu_kehitaman) and (Kelopak_Diminta is kurang_sempurna) then (Perbaikan_Proses_Panen is Pemanjatan)(Perbaikan_Pasca_Panen is Pembersihan_Buah_dan_Penyemprotan_Kel opak)(Perbaikan_Budidaya is Pemilihan_Bibit_Unggul) (1) Keuntungan penggunaan metode: 1. Sistem pakar dengan menggunakan logika fuzzy dapat digunakan untuk mengembangkan model penentuan kualitas dan strategi peningkatan manggis. Output sistem ini adalah penentuan kualitas serta berbagai alternatif strategi peningkatan kualitas yang didasarkan pada kecocokan kualitas yang dimiliki (aktual) dengan kualitas yang diminta pasar.

2. Parameter yang dapat digunakan dalam menentukan kualitas manggis adalah berdasarkan aspek penampakan yang meliputi ukuran,warna dan kelengkapan kelopak buah. 3. Penentuan kategori nilai-nilai yang meragukan dalam grey area dapat diselesaikan dengan Logika Fuzzy dengan mengintegrasikan keahlian para pakar yang kompeten dalam komoditas manggis 4. Sistem ini mampu mengambarkan hubungan antara variabel input dan output sehingga dapat digunakan untuk melakukan simulasi terhadap kualitas yang diinginkan serta implikasinya terhadap strategi peningkatan kualitas yang harus dilakukan. 5. Pengguna sistem ini dapat mengambil keputusan secara cepat dan akurat dalam menentukan langkah-langkah yang harus diambil dalam peningkatan kualitas manggis.

KELOMPOK 12 PENALARAN INEXACT (KETIDAKPASTIAN)1.1 Definisi Penalaran Inexact (Ketidakpastian) Salah satu karakteristik umum dari suatu informasi yang tersedia untuk seorang pakar adalah ketidaksempurnaan. Informasi yang tersedia bisa jadi tidak lengkap, tidak konsisten, tidak tentu, dan sebagainya. Dengan keterbatasan informasi tersebut, seorang pakar dituntut dapat mengatasi kerusakan dengan membuat suatu pertimbangan benar sehingga menghasilkan keputusan yang tepat. Sistem pakar harus mampu mengatasi ketidakpastian dan menggambarkan konklusi yang valid. Ketidakpastian merupakan suatu permasalahan karena mungkin dapat menghalangi seseorang dalam membuat suatu keputusan yang terbaik. Ketidakpastian dapat dianggap sebagai suatu kekurangan informasi yang memadai untuk membuat suatu keputusan. Ketidakpastian dalam sistem berbasis kaidah dapat berasal dari 3 hal berikut : 4. Kaidah Tunggal (individual rule) Kaidah tunggal dipengaruhi oleh 3 hal : kesalahan (error), probabilitas dan kombinasi premis. Kesalahan (error) disebabkan antara lain oleh : e. Ambiguitas, yaitu sesuatu yang didefinisikan berlebihan f. Ketidaklengkapan data g. Kesalahan informasi h. Kesalahan pengukuran Probabilitas disebabkan oleh ketidakmampuan seorang pakar untuk merumuskan kaidah secara pasti. Pemberian nilai probabilitas yang menyatakan derajat kepercayaan dapat juga menyebabkan ketidakpastian. Kombinasi premis di dalam anteseden jika premis lebih dari sebuah perlu diperhatikan. Beberapa kombinasi yang dapat dibentuk : E1 AND E2 AND E3 atau E1 AND E2 OR E3 atau E1 AND NOT E2 OR E3

5. Ketidaksesuaian Antarkaidah (incompatibility of rule) Ketidaksesuaian antarkaidah dapat disebabkan oleh : kontradiksi kaidah, subsumsi kaidah, redudansi kaidah, kehilangan kaidah dan penggabungan data. Kontradiksi kaidah Kontradiksi merupakan ketidaksesuaian konsekuen diantara dua kaidah yang bisa jadi disebabkan oleh anteseden yang kuran spesifik. Contoh : Kaidah 1 : IF terdapat api THEN siramlah dengan air Kaidah 2 : IF terdapat api THEN jangan siram dengan air Interpretasi kaidah 1, jika bebar-benar terdapat api seperti terbakarnya kayu, maka akan dilakukan pemadaman dengan menyiramkan air. Sedangkan pada kaidah 2 memang terdapat api yang memang sengaja untuk melakukan pembakaran (mis. Memasak) yang tidak boleh disiram air. Subsumsi kaidah Subsumsi kaidah terjadi jika anteseden merupakan bagian dari kaidah yang lain. Contoh : Kaidah 1 : IF E1 THEN H

Kaidah 2 : IF E1 and E2 THEN H Interpretasinya, jika E1 yang muncul, maka tidak terdapat masalah karena kaidah 1 yang akan dijalankan, tetapi jika E1 dan E2 kedua-duanya muncul pada kaidah 1 dan kaidah 2, maka kedua-duanya akan sama-sama dijalankan sehingga konflik resolusi dibutuhkan. Redudansi kaidah Redudansi aturan adalah kaidah-kaidah yang mempunyai konsekuen dan evidence yang sama. Contoh : Kaidah 1 : IF E1 and E2 THEN H Kaidah 2 : IF E2 and E1THEN H Kehilangan kaidah Kehilangan aturan merupakan penyebab ketidaksesuaian antarkaidah yang terjadi jika seorang ahli lupa atau tidak sadar akan membuat kaidah. Contoh : IF E4 THEN H Jika E4 diabaikan maka H tidak akan pernah dapat disimpulkan dengan layak. Penggabungan data (data fussion) Penggabungan data merujuk kepada ketidakpastian yang dihubungkan dengan perpaduan data dari tipe informasi yang berbeda. Kesemua tipe yang berbeda tersebut harus digabungkan untuk menjadikan mereka sebagai suatu informasi yang mendukung dan menjadi pertimbangan saat pengambilan keputusan akhir. Contoh : Dokter membuat diagnosis penyakit tidak hanya dari hasil pemeriksaan fisik, tetapi juga hasil laboratorium, riwayat penyakit pasien dan sebagainya. 6. Resolusi Konflik (conflict resolution) Resolusi konflik merupakan proses menyeleksi atau memilih kaidah yang ada jika terdapat lebih dari satu kaidah yang diaktivasi dan resolusi konflik disebabkan oleh interaksi antarkaidah. Beberapa metode untuk resolusi konflik : g. Memicu kaidah berdasarkan prioritas. h. Mempunyai kadiah yang mempunyai banyak premis yang harus dipenuhi. Metode ini dikenal dengan the longest matching strategy. i. Memilih kaidah yang paling banyak digunakan. j. Memilih kaidah yang palinga kahir ditambahkan pada sekumpulan kaidah. k. Memilih kaidah yang waktu eksekusinya paling singkat. l. Memilih semua kaidah dari sekumpulah kaidah yang ada. 1.2 Pengertian Faktor Kepastian Faktor kepastian (certainty factor) diperkenalkan oleh Shortliffe Buchanan dalam pembuatan MYCIN. Certainty factor (CF) merupakan nilai parameter klinis yang iberikan MYCIN untuk menunjukkan besarnya kepercayaan. Certainty factor didefinisikan sebagai berikut : CF(H,E) = MB(H,E) MD(H,E) Dimana : CF = Certain Factor (faktor kepastian) dalam hipotesis H yang dipengaruhi oleh fakta E MB = Measure of Belief (tingkat keyakinan), adalah ukuran kenaikan dari kepercayaan hipotesis H dipengaruhi oleh fakta E. MD = Measure of Disbelief (tingkat ketidakyakinan), adalah kenaikan dari ketidakpercayaan hipotesis H dipengaruhi fakta E. E = Evidence (peristiwa ataua fakta) Penggabungan kepercayaan dan ketidakpercayaan dalam bilangan yang tunggal memiliki dua kegunaan, yaitu : 3. Faktor kepastian digunakan untuk tingkat hipotesis di dalam urutan kepentingan. Contoh : jika seorang pasien mempunyai gejala tertentu yang mengindikasikan beberapa kemungkinan penyakit, maka penyakit dengan CF tertinggi menjadi urutan pertama dalam urutan pengujian. Ukuran kepercayaan dan ketidapercayaan didefinisikan dalam probabilitas sebagai berikut : 1 P(H) = 1 MB(H,E) = max[P(H|E),P(H)]-P(H) lainnya max[1,0]-P(H)

MD(H,E) =

1 max[P(H|E),P(H)]-P(H) min [1,0]-P(H)

P(H) = 0 lainnya

Karakteristik dari MB, MD dan CF Karakteristik Jangkauan

Hipotesis pasti benar P(H|E) = 1 Hipotesis pasti salah P(H|E) = 1 Kekurangan fakta P(H|E) = P(H)

Nilai 0 MB 1 0 MD 1 -1 CF 1 MB = 1 MD = 0 CF = 1 MB = 0 MD = 1 CF = -1 MB = 0 MD = 0 CF = 0

Faktor kepastian (CF) menunjukkan jaringan kepercayaan dalam suatu hipotesis yang berdasarkan pada beberapa fakta. CF Positif : mendukung hipotesis, karena MB > MD. CF=1 : fakta secara definisi membuktikan suatu hipotesis CF=0 : CF=MB-MD = 0 , berarti tidak ada fakta MD=MB, berarti kepercayaan dihapus atau ditiadakan oleh ketidakpercayaan CF Negatif : fakta menandakan negasi dari hipotesis, karena MB < MD. Dengan kata lain menyatakan ketidakpercayaan terhadap hipotesis daripada mempercayainya. 4. Faktor kepastian memberikan seorang pakar untuk menyatakan kepercayaan tanpa menyatakan nilai ketidakpercayaan. Formulanya : CF(H,E) + CF(H,E) = 0 Berarti, fakta mendukung suatu hipotesis dan mengurangi dukungan terhadap negasi dari hipotesis dengan jumlah yang sama, sehingga jumlahnya selalu nol. Contoh : Mahasiswa lulus jika mendapatkan nilai A untuk suatu mata kuliah. CF(H,E) = 0,70 CF(H,E) = -0,70 - Seberapa kepercayaan Anda bahwa mendapatkan nilai A akan membantu Anda lulus ? Jawab : saya pastikan 70% bahwa saya akan lulus jika saya memperoleh nilai A untuk mata kuliah ini. - Seberapa ketidakpercayaan Anda bahwa mendapatkan nilai A akan membantu Anda lulus ? Jawab : saya pastikan -70% bahwa saya tidak akan lulus jika saya memperoleh nilai A untuk mata kuliah ini

1.3 Kombinasi Aturan Metode MYCIN untuk menggabungkan evidencepada antecedent sebuah aturan ditunjukkan oleh tabel 1 dibawah ini. Tabel 1 Aturan MYCIN untuk mengkombinasikan evidence antecedent

Bentuk dasar rumus certainty factor sebuah aturan JIKA E MAKA H adalah sebagai berikut: CF(H,e) = CF(E,e) * CF(H,E) Dimana : CF(E,e) : certainty factor evidence E yang dipengaruhi oleh evidence e CF(H,E) : certainty factor hipotesis dengan asumsi evidence diketahui dengan pasti, yaitu ketika CF(E,e) = 1 CF(H,e) : certainty factor hipotesis yang dipengaruhi oleh evidence e Jika semua evidence pada antecedent diketahui dengan pasti maka rumusnya akan menjadi: CF(H,e) = CF(H,E) Ada dua macam kombinasi certainty factor yaitu kombinasi paralel yang ditunjukkan oleh gambar 1, dan kombinasi sequensial yang ditunjukkan oleh gambar 2.

Pada kondisi ini evidence E1 dan E2 mempengaruhi hipotesis yang sama yaitu H. Kedua certainty factor CF(H, E1) dan CF(H, E2) dikombinasikan, menghasilkan certainty factor CF(H, E1, E2). Fungsi kombinasi paralel tersebut didefinisikan sebagai berikut :

dimana x = CF(H, E1), y = CF(H, E2) dan z = CF(H, E1E2). Certainty factor kedua aturan dikombinasikan menghasilkan certainty factor CF(H,E). Untuk menghitung kombinasi sequensial tersebut digunakan rumus berikut : CF(H,E) = CF(E, E) * CF(H, E) Contoh yang melibatkan kombinasi certainty factor: IF batuk AND demam AND sakit kepala AND bersin-bersin THEN influensa Dengan menganggap E1: batuk, E2: demam, E3: sakit kepala, E4: bersin-bersin, dan H: influensa Maka: nilai certainty factor hipotesis pada saat evidence pasti adalah: CF(H,E) : CF (H, E1 E2 E3 E4) : 0,7 Dalam kasus ini, kondisi pasien tidak dapat ditentukan dengan pasti. Certainty factor evidence E yang dipengaruhi partial evidence e ditunjukkan dengan nilai sebagai berikut: CF (E1,e) : 0,5 (pasien mengalami batuk 50%) CF (E2,e) : 0,8 (pasien mengalami demam 80%) CF (E3,e) : 0,3 (pasien mengalami sakit kepala 30%) CF (E4,e) : 0,7 (pasien mengalami bersin-bersin 70%) sehingga CF (E,e) : CF (E1 E2 E3 E4, e) : min [CF (E1,e), CF (E2,e), CF (E3,e), CF ( E4,e)] : min [0,5 ; 0,8; 0,3; 0,7]

: 0,3 Jadi nilai CF Paralel untuk premis-premis adalah 0,3 Kelebihan dan Kekurangan Metode Certainty Factors Kelebihan metode Certainty Factors adalah: 1. Metode ini cocok dipakai dalam sistem pakar untuk mengukur sesuatu apakah pasti atau tidak pasti dalam mendiagnosis penyakit sebagai salah satu contohnya. 2. Perhitungan dengan menggunakan metode ini dalam sekali hitung hanya dapat mengolah 2 data saja sehingga keakuratan data dapat terjaga. Kekurangan metode Certainty Factors adalah: 1. Ide umum dari pemodelan ketidakpastian manusia dengan menggunakan numerik metode certainty factors biasanya diperdebatkan. Sebagian orang akan membantah pendapat bahwa formula untuk metode certainty factors diatas memiliki sedikit kebenaran. 2. Metode ini hanya dapat mengolah ketidakpastian/kepastian hanya 2 data saja. Perlu dilakukan beberapa kali pengolahan data untuk data yang lebih dari 2 buah. 1.4 Aplikasi Contoh aplikasi yang klasik sistem pakar yang sukses sehubungan dengan ketidakpastian : 1. MYCIN untuk diagnosa medis 2. PROPECTOR untuk ekplorasi mineral 1.4.1 MYCIN MYCIN adalah sistem pakar berbasis-aturan yang mendiagnosa infeksi bakteri pada darah. Dengan bertanya dan melakukan backward-chaining pada basis aturan yang terdiri dari sekitar 500 aturan, MYCIN dapat mengenali sekitar 100 penyebab infeksi bakteri. Dengan demikian MYCIN dapat merekomendasi resep obat yang efektif. Di dalam MYCIN terdapat faktor ketidakpastian (uncertainty factor) dan factor kepastian (certay factorinty factor). Faktor ketidakpastian disebabkan oleh dua faktor yaitu aturan yang tidak pasti dan jawaban pengguna yang tidak pasti atas suatu pertanyaan yang diajukan oleh system. Ada tiga penyebab ketidakastian aturan yaitu aturan tunggal, penyelesaian konflik dan ketidakcocokan (incompatibility) antar konskuen dalam aturan. Faktor kepastian merupakan nilai parameter klinis yang diberikan MYCIN untuk menunjukkan besarnya kepercayaan. Faktor kepastian didefinisikan sebagai berikut : CF(H,E) = MB(H,E) MD(H,E) 1.4.2 PROPECTOR Sistem pakar yang membantu ahli geologi dalam mencari dan menemukan deposit. Basis pengetahuan berisi bermacam-macam mineral dan batu-batuan. Banyak pakar geologi diwawancarai dan pengetahuan mereka tentang berbagai bentuk biji deposit dimasukkan ke dalam sistem pakar. Ahli geologi melacak biji deposit dengan pergi ke lapangan untuk meninjau medan dan mengumpulkan bukti yang ada seperti ciri-ciri geologi dicatat, sampel tanah dan batu-batuan. Sistem pakar mengevaluasi area dalam bentuk pertanyaan dan data-data tersebut dimasukkan, kemudian Prospector memberikan rekomendasi yang menunjukkan jumlah deposit yang ada dan apakah menguntungkan atau tidak bila dieksplorasi atau di bor lebih lanjut.

KELOMPOK 13 PROTOTYPE SISTEM PAKARA. Tahapan Dasar Dalam Pembangunan suatu Sistem Pakar Untuk pengembangan suatu sistem pakar, aktivitas-aktivitas dari task yang ada dibutuhkan untuk pengembangan sistem. Gambar di bawah ini menunjukkan gambaran tingkat tinggi dari aktivitas-aktivitas yang dibutuhkan untuk menghasilkan suatu sistem yang berhubungan dengan tahapan hingga suatu sistem terwujud.

Studi Kelayakan

dokumen atau perbandingan studi untuk menunjukkan kelayakan proyek Sistem pakar secara cepat bersamasama mendemonstrasikan ide, membangun antusiasme dan mempengaruhi managemen level bawah

Prototype

Memperhalus Sistem (uji-alpha)

Verifikasi sistem pakar pada masalah yang nyata oleh knowledge engineers dan pakar

Uji-beta

Sistem diuji dengan memilih penggunaannya bukan knowledge engineers atau pakar

Sistem Kualitas Komersil

Validasi dan uji Dokumentasi pengguna Pelatihan Dukungan pengguna melalui telpon dan atau E-mail

Perbaikan dan Evolusi

Fix bugs (memperbaiki bug) Mempertinggi kapabilitas (kemampuan)

B. Siklus Pengembangan Sistem Pakar Dalam pengembangan sebuah sistem pakar, maka dikenal pula sebuah siklus yang bernama Expert Sistem Development Life Cycle (ESDLC) [15]. Adapun tahapan-tahapan yang ada dalam ESDLC dapat digambarkan dalam skema berikut :

Gambar 2. Skema ESDLC Adapun penjelasan tentang skema tersebut adalah sebagai berikut : a. Identifikasi & Analisa Masalah Identifikasi masalah berhubungan dengan pengenalan situasi/ lingkungan penyebab timbulnya masalah. Sementara analisa masalah meliputi evaluasi karakteristik dari masalah yang ada, serta penjelasan dari proses input dan output-nya. b. Akuisisi & Representasi Pengetahuan Akuisisi masalah merupakan proses dimana perekayasa pengetahuan (knowledge engineer) memperoleh dan mengkodekan pengetahuan berdasarkan apa yang pakar biasa lakukan. Sementara representasi pengetahuan merupakan tahap pengolahan pengetahuan yang berasal dari proses akuisisi, ke dalam bentuk yang mudah diakses oleh sistem pakar yaitu dalam mencari solusi. c. Pembangunan Prototipe Prototipe yang dimaksud di sini adalah sebuah bentukan hasil dari proses sebelumnya di atas (identifikasi & analisa masalah, akuisisi & representasi pengetahuan) yang akan digunakan dalam proses penilaian pelanggan dan pengembang. d. Verifikasi, Validasi, dan Testing Pada proses ini pengetahuan yang sudah direpresentasikan dan dibuat prototype-nya pada proses sebelumnya kemudian dikonfirmasikan kembali kepada pakar untuk dilakukan verifikasi, validasi, dan testing, untuk mengetahui apakah pengetahuan tersebut sudah benar atau belum. Apabila pengetahuan tersebut belum sesuai, maka perlu dilakukan penyempurnaan atau kembali ke proses sebelumnya dan kemudian diverifikasi dan divalidasi ulang sehingga didapatkan pengetahuan yang sesuai. e. Implementasi dan Integrasi Merupakan tahap pembangunan aplikasi. Dari pengetahuan yang sudah terverifikasi dan valid tersebut, kemudian diintegrasikan ke dalam aplikasi sistem pakar secara utuh. f. Maintenance Merupakan proses yang dilakukan setelah sistem pakar terbangun, yaitu membuat mekanisme pengoperasian serta pemeliharaannya. Keluaran dari proses maintenance ini dapat menjadi acuan bagi proses perluasan/ pengembangan aplikasi sistem pakar ke depannya. C. Proses Pengembangan Prototype

Gambar 3. Proses Pengembangan Prototype

Model proses untuk pengembangan prototype ditunjukkan pada gambar 2. Tujuan pembuatan prototype harus dibuat eksplisit sejak awal proses. Hal ini mungkin dilakukan untuk mengembangkan sistem guna membuat prototype interface user, mengembangkan sistem untuk memvalidasi persyaratan sistem fungsional, atau mengembangkan sistem guna mendemonstrasikan kelayakan aplikasi kepada menajemen. Prototype yang sama tidak dapat memenuhi semua tujuan. Jika tujuan-tujuan dibiarkan implicit, manajemen atau end-user bisa salah paham mengenai fungsi prototype. Sebagai konsekuensinya, mereka bisa mendapatkan keuntungan yang mereka harapkan dari pengembangan prototype. Tahap berikutnya pada proses adalah memutuskan apa yang dimasukkan dan mungkin lebih penting, apa yang tidak dimasukkan ke sistem prototype. Untuk mengurangi biaya prototype dan mempercepat jadwal penyerahan, maka beberapa fungsionalitas dari prototype dapat tidak dimasukkan. Dapat juga ditambahkan persyaratan non-fungsional seperti waktu tanggap dan pemakaian memori. Penanganan dan manajemen error dapat diabaikan atau bersifat mendasar, kecuali jika tujuan prototype adalah menentukan interface user. Standar keandalan dan kualitas program dapat dikurangi. Tahap terakhir dari proses adalah evaluasi prototype. Tahap ini merupakan tahap yang paling penting dari pembuatan prototype. Pada tahap ini harus disisihkan waktu untuk pelatihan user dan tujuan prototype harus digunakan untuk membuat rencana evaluasi. User membutuhkan waktu untuk membiasakan diri dengan sistem yang baru dan pola user yang normal. Begitu mereka memakai sistem dengan normal, mereka dapat menemukan error dan hal-hal yang terlewatkan dalam persyaratan. D. Jenis-Jenis Prototype a. Prototype Jenis I sesungguhnya akan menjadi sistem operasional. b. Prototype Jenis II merupakan suatu model yang dapat dibuang yang berfungsi sebagai blue print bagi sistem operasional. Pengembangan Prototype Jenis I Langkah-langkah pengembangan prototype jenis I : 1. Mengidentifikasi kebutuhan pemakai. Analis sistem mewawancarai pemakai untuk mendapatkan gagasan dari apa yang diinginkan pemakai terhadap sistem. 2. Mengembangkan prototype Analis sistem mungkin bekerjasama dengan spesialis informasi lain, menggunakan satu atau lebih peralatan prototyping untuk mengembangkan sebuah prototype. Contoh dari peralatan prototyping adalah integrated application generator dan prototyping toolkits. Integrated application generator adalah sistem perangkat lunak jadi yang mampu menghasilkan semua tampilan yang diinginkan dalam sistem baru-menu, laporan, layar, database, dan sebagainya. Prototyping toolkits mencakup sistem-sistem perangkat lunak terpisah, yang masing-masing mampu menghasilkan sebagian tampilan sistem yang diinginkan. 3. Menentukan apakah prototype dapat diterima. Analis mendidik pemakai untuk menggunakan prototype dan memberi kesempatan kepada mereka untuk membiasakan diri dengan sistem. Pemakai memberi masukan kepada analis apakah prototype memuaskan. Jika Ya, langkah 4 akan diambil; jika Tidak, prototype direvisi dengan mengulangi langkah 1,2, dan 3 dengan pengertian yang lebih baik mengenai kebutuhan pemakai. 4. Menggunakan prototype Prototype ini menjadi sistem operasional. Pendekatan ini hanya mungkin jika peralatan prototyping memungkinkan prototype memuat semua elemen penting dari sistem baru. Langkah-langkah pengembangan prototype Jenis II : 1. Mengidentifikasikan kebutuhan pemakai. Analis sistem mewawancarai pemakai untuk mendapatkan gagasan dari apa yang diinginkan terhadap sistem. 2. Mengembangkan prototype Analis sistem mungkin bekerjasama dengan spesialis informasi lain, menggunakan satu atau lebih peralatan prototyping untuk mengembangkan sebuah prototype. Contoh dari peralatan prototyping adalah integrated application generator dan prototyping toolkits. Integrated application generator adalah sistem perangkat lunak jadi yang mampu menghasilkan semua tampilan yang diinginkan dalam sistem baru-menu, laporan, layar, database, dan sebagainya. Prototyping toolkits mencakup sistem-sistem perangkat lunak terpisah, yang masing-masing mampu menghasilkan sebagian tampilan sistem yang diinginkan. 3. Menentukan apakah prototype dapat diterima. Analis mendidik pemakai untuk menggunakan prototype dan memberi kesempatan kepada mereka untuk membiasakan diri dengan sistem. Pemakai memberi masukan kepada analis apakah prototype memuaskan. Jika Ya, langkah 4 akan diambil; jika Tidak, prototype direvisi dengan mengulangi langkah 1,2, dan 3 dengan pengertian yang lebih baik mengenai kebutuhan pemakai. 4. Mengkodekan Sistem Operasional

Programmer menggunakan prototype sebagai dasar untuk pengkodean (coding) sistem ope