Sistem Pakar Berbasis Aturan (Rule-based Expert Systems)

KECERDASAN BUATAN(ARTIFICIAL INTELLIGENCE)

MATERI 3

Sistem Pakar Berbasis Aturan(Rule-based Expert Systems)

Eko PrasetyoTeknik Informatika

Univ. Pembangunan Nasional Veteran Jawa Timur2011

2

Pengetahuan

Pengetahun (knowledge) ? Adalah teori atau praktek pemahaman suatu subyek atau domain. Kumpulan mengenai apa yang diketahui.

Orang yang berada diposisi tersebut -> PAKAR.Misal: dokter, teknisi komputer, petani, dsb.Daerah pada domain tersebut terbatas, mis: pakar

(dokter) penyakit kulit hanya memahami secara penuh pada domain penyakit kulit (tidak untuk penyakit lain), petani udang hanya mengetahui penyakit udang (tidak untuk ikan lain).

Secara umum, pakar adalah orang yang terampil dalam melakukan sesuatu (pemikiran dan tindakan) yang tidak dapat dilakukan orang lain.

3

Aturan dalam pengetahuan

Misal, domain masalah adalah “menyeberang jalan raya”

Aturan: IF the ‘traffic light’ is green

THEN the action is go IF the ‘traffic light’ is red

THEN the action is stop

Pernyataan tersebut merepresentasikan bentuk IF-THEN yang disebut “aturan produksi” atau “aturan” saja.

IF-THEN umum digunakan dalam representasi pengetahuan yang berhubungan dengan fakta atau informasi dalam bagian IF untuk beberapa aksi dalam bagian THEN. Aturan memberikan deskripsi bagaimana menyelesaikan masalah.

Aturan terdiri dari dua bagian: bagian IF, disebut antecedent (premise atau condition) atau fakta , dan bagian THEN yang disebut consequent (conclusion atau action) atau kesimpulan.

Sinktaks dasar: IF <antecedent> THEN <consequent>

Umumnya, sebuah aturan dapat mempunyai gabungan beberapa antecedent dengan kata kunci AND (konjungsi), OR (disjungsi), atau kombinasi keduanya.

IF <antecedent 1> AND <antecedent 2> . . . AND <antecedent n> THEN <consequent> IF <antecedent 1> OR <antecedent 2> . . . OR <antecedent n> THEN <consequent>

4

Aturan dalam pengetahuan (2)

Fakta aturan disandingkan dengan dua bagian: obyek (linguistic object) dan nilainya. Mis. Obyek linguistik seperti “traffic light” bisa mempunyai nilai “red” atau “green”

Obyek dan nilainya dihubungkan dengan oprator, spt: is, are, is not, are not untuk memberikan nilai simbolik pada obyek linguistik.

Tetapi sistem pakar biasanya menggunakan operator matematika untuk mendefinisikan obyek sebagai numerik dan memberikan nilai numerik padanya. Mis.: IF ‘age of the customer’ < 18 AND ‘cash withdrawal’ > 1000 THEN ‘signature of the parent’ is required

Kesimpulan (consequent) –sama dengan fakta- mengombinasikan obyek dan nilai yang dihubungkan oleh operator. Mis. : Nilai traffic ligh adalah green, aturan pertama nilai obyek linguistik “action” dengan

“go” Mis.: IF ‘taxable income’ > 16283 THEN ‘Medicare levy’ = ‘taxable income’ * 1.5 / 100

5

Aturan dalam pengetahuan (2)

Aturan dapat merepresentasikan relations (hubungan), recommendations (saran), directives (arahan), strategies (strategi) dan heuristics (heuristik) [Durkin, 1994].

Relation IF the ‘fuel tank’ is empty THEN the car is dead

Recommendation IF the season is autumn (musim gugur) AND the sky is cloudy AND the forecast is drizzle (gerimis) THEN the advice is ‘take an umbrella’

Directive IF the car is dead AND the ‘fuel tank’ is empty THEN the action is ‘refuel the car’

Strategy IF the car is dead THEN the action is ‘check the fuel

tank’; step1 is complete IF step1 is complete AND the ‘fuel tank’ is full THEN the action is ‘check the

battery’; step2 is complete

Heuristic IF the spill is liquid AND the ‘spill pH’ < 6 AND the ‘spill smell’ is vinegar THEN the ‘spill material’ is ‘acetic

acid’

6

Pemain utama sistem pakar

Sistem Pakar, adalah sebuah program komputer yang dapat bekerja pada level pakar manusia dalam daerah masalah yang sempit.

Tipe: rule-based, case-based, dsb. Expert System Shell adalah sistem

pakar yang tidak mengandung pengetahuan (komponen yang lain tetap ada).

Ada 5 anggota tim pengembangan sistem pakar: the domain expert, the knowledge engineer, the programmer, the project manager and the end-user.

7

Domain Expert

Domain expert adalah orang yang bisa mengetahui dan terampil dalam menyelesaikan masalah pada daerah atau domain spesifik.

Sangat pakar dalam domain tersebut, mis: dokter, teknisi komputer, petani, dsb.

Kepakarannya akan di-capture dalam sistem pakar.

Pakar harus bisa mengkomunikasikan pengetahuannya, berpartisipasi dalam pembangunan sistem pakar.

Pemain yang paling penting dalam pembangunan sistem pakar.

Domain expert

8

Knowledge Engineer

Knowledge engineer adalah orang yang mempunyai kemampuan perancangan, pembangunan dan pengujian sistem pakar.

Bertanggung jawab untuk pemilihan pekerjaan yang tepat bagi sistem pakar.

Mewawancarai domain expert untuk mencari bagaimana masalah tertentu diselesaikan.

Selama interaksi wawancara, memunculkan metode penalaran pakar dalam menanani fakta dan aturan dan memutuskan bagaimana merepresentasikannya dalam sistem pakar.

Bertangung jawab dalam pengujian, revisi, dan integrasi sistem pakar dalam workplace.

Menyelesaikan proyek dari awal hingga akhir.

Knowledge engineer

9

Programmer, Project Manager, End-user

Programmer, orang yang bertanggung jawab dalam mengimplementasikan sistem pakar dalam koding program. Harus memahami bahasa pemrograman AI, seperti: LISP, Prolog, OPS5. J uga bahasa pemrograman konvensional, spt: vb, delphi, java, dsb. Saat ini, sistem pakar (dalam skala penelitian) juga dikembangkan dengan

bahasa-bahasa konvensional yang ada. Project Manager, pimpinan tim pengembangan sistem,

bertanggung jawan untuk menjaga proyek tetap dalam track-nya. Berinteraksi dengan pakar, knowledge engineer, programmer dan end-user.

End-user, orang yang menggunakan sistem pakar ketika sistem sudah selesai dikembangkan. User bisa jadi adalah pasien atau perawat dalam sebuah klinik kesehatan milik

dokter. User bisa jadi adalah analis kimia dalam menentukan struktur cairan molekul

(Feigenbaum et al., 1971), Dokter yunior dalam diagnosis penyakit infeksi darah(Shortliffe, 1976) Dsb.

10

Rule-based Expert System

Awal 1970, Newell dan Simon mengusulkan model sistem pakar, dasar dari rule-based expert systems.

Didasarkan pada ide manusia dalam menyelesaikan masalah dengan menerapkan pengetahuannya (dinyatakan sebagai aturan produksi) pada masalah yang diberikan dengan informasi masalah spesifik.

Aturan produksi disimpan dalam memori jangka panjang, sedangkan informasi masalah spesifik disimpan dalam memori jangka pendek.

Ada 5 komponen inti dalam rule-based expert systems:the knowledge base, the database, the inference engine, the explanation facilities, and the user interface

Production system model

Basic structure of a rule-based expert system

11

Struktur lengkap rule-based expert system

External interface digunakan untuk bekerja dengan data eksternal dan program ditulis dalam bahasa pemrograman konvensional seperti C, Pascal, dan Basic.

Developer Interface termasuk knowledge base editor, debugging aids, dan fasilitas input/output.

Debugging aids biasanya terdiri dari fasilitas tracing dan pemecahan paket.

Tracing memberikan daftar semua aturan yang ditembak selama program dieksekusi, dan pemecahan paket memungkinkan untuk berhentinya sistem pakar dalam mengevaluasi setiap aturan.

12

Karakteristik Sistem Pakar

SP dibangun untuk bekerja pada level pakar manusia dalam domain yang sempit dan khusus.

Karakteristik paling penting dalam SP adalah kualitas kinerja yang tinggi. Tidak peduli seberapa cepat sistem menyelesaikan masalah, user tidak akan puas jika

hasilnya salah. Disisi lain, kecepatan mencapai solusi juga sangat penting.

Meskipun keputusan/diagnosis sangat akurat mungkin tidak berguna bagi user jika terlalu lama diterapkan.

Misal, dalam kondisi darurat ketika pasien bisa meninggal atau reaktor nuklir mau meledak, pakar akan memotong teknik penalarannya untuk mendapatkan solusi terdekat.

Fitur unik SP adalah kemampuan menjelaskan (explanation capability). Membuat sistem pakar dapat meninjau penalarannya dan menjelaskan keputusan. Penjelasan dalan SP dalam skop pelacakan atran yang ditembakkan selama sesi problem-

solving. Bisakah sistem pakar melakukan kesalahan (dalam penalaran) ?

Pakar paling pandaipun bisa berbuat salah, maka SP juga bisa salah. Tetapi kita masih mempercayai pakar, walaupun kita mengenali bahwa keputusannya

kadang-kadang salah.

14

Teknik Inferensi

Dalam rule-based expert system, pengetahuan domain direpresentasikan oleh sejumlah aturan produksi IF-THEN, sedangkan data direpresentasikan oleh sejumlah fakta mengenai situasi saat itu.

Mesin inferensi membandingkan setiap aturan yang tersimpan dalam basis pengetahuan dengan fakta yang berada dalam database. Ketika bagian IF (kondisi) aturan cocok dengan

fakta, aturan akan ditembak dan bagian THEN (aksi) diekskusi.

Aturan yang ditembak akan mengubah sejumlah fakta dengan menambahkan fakta baru.

Pencocokan bagian aturan IF pada fakta menghasilkan rantai inferensi (inference chain).

Rantai inferensi menunjukkan bagaimana SP menerapkan aturan untuk mencapai kesimpulan. Contoh:

Fakta: A, B, C, D and ELakukan penalatan untuk mencapai kesimpulan

15

Teknik Inferensi: Forward Chaining

Ada 2 teknik inferensi: forward chaining dan backward chaining (Waterman and Hayes-Roth, 1978).

Forward chaining adalah penalaran yang dikendalikan oleh data (data-driven reasoning).

Penalaran dimulai dari data yang diketahui dan memproses maju pada data.

Setiap kali hanya aturan paling atas yang akan dieksekusi. Ketika sebuah aturan ditembak, aturan akan menambahkan fakta baru

dalam database. Sembarang aturan hanya dieksekusi satu kali. Siklus penembakan pencocokan (match-fire) berhenti ketika tidak ada

lagi aturan yang dapat ditembak. Forward chaining adalah teknik untuk pengumpulan informasi dan

kemudian menalarnya. Beberapa aturan dapat dieksekusi meskipun aturan tersebut tidak

memunculkan tujuan/kesimpulan.

16

Forward Chaining

Siklus 1 Rule 3, fakta X

muncul. Rule 4, fakta L

muncul Siklus 2

Rule 2, fakta Y muncul

Siklus 3 Rule 1, kesimpulan

Z muncul

17

Backward Chaining

Backward chaining adalah penalaran yang dikendalikan tujuan/kesimpulan (goal-driven reasoning).

SP mempunyai tujuan (hipotesis solusi), mesin inferensi mencoba untuk mencari evidence (bukti) untuk membuktikannya.

Pertama, knowledge base dicari untuk menemukan aturan yang mungkin mempunyai solusi yang dibutuhkan.

Aturan harus mempunyai tujuan dalam bagian THEN (aksi). Jika aturan ditemukan sedangkan bagian IF (kondisi) cocok dengan data dalam

database, maka aturan tertembak dan tujuan terbukti. Jika tidak, maka mesin inferensi akan meletakkan aturan tersebut dalam daerah

kerjanya (seut saja “stack”) dan men-setup lagi tujuan baru, sub-goal, untuk membuktikan bagian IF dalam aturan tersebut.

Knowledge base mencari lagi aturan yang dapat membuktikannya, Mesin inferensi mengulangi kembali proses tumpukan aturan

(stacking rule) sampai tidak ada lagi aturan dalam knowledge base untuk membuktkan sub-goal saat itu.

18

Backward Chaining

Pass 1 Hipotesis adalah Z. Mesin inferensi mencoba mencari aturan

yang menyimpulkan Z (hipotesis) dibagian THEN yaitu Rule 1

Rule 1 membutuhkan fakta Y dan D, maka Rule 1 masuk dalam stack.

Fakta Y dan D harus dimunculkan. Pass 2

Mesin inferensi men-set-up sub-goal Y, mencari dalam database fakta ternyata tidak ada, maka mencari dalam knowledge base aturan yang menyimpulkan Y (dibagian THEN), Rule 2.

Rule 2 masuk dalam stack. Fakta dalam Rule 2: X, B, dan E harus

dimunculkan. Pass 3

Mesin inferensi men-set-up sub-goal X, mencari dalam database fakta ternyata tidak ada, maka mencari dalam knowledge base aturan yang menyimpulkan X (dibaian THEN), Rule 3.

Rule 3 masuk dalam stack. Fakta dalam Rule 3: A, harus dimunculkan.

19

Pass 4 Mesin inferensi menemukan fakta A

dalam database fakta, maka Rule 3 tertembak.

Fakta baru X tersimpulkan (muncul dalam database fakta).

Pass 5 Mesin inferensi kembali ke sub-goal

Y, mencoba kembali mengeksekusi aturan 2, fakta X, D, dan E ada dalam database, maka aturan 2 tertembak.

Fakta baru Y tersimpulkan (muncul dalam database fakta).

Pass 6 Mesin inferensi kembali ke Rule 1,

mencoba memunculkan kesimpulan Z, fakta Y dan D dan D ada dalam database, maka tujuan awal Z akhirnya tercapai.

20

Forward Chaining atau Backward Chaining ?

Jika pertama pakar perlu mengumpulkan beberapa informasi dan mencoba menalar dari fakta apapun yang dapat dinalar, maka gunakan forward chaining.

Jika pakar memulai dari hipotesis solusi dan mencoba menemukan fakta untuk membuktikannya, maka gunakan backward chaining inference engine.

Forward chaining adalah cara alami untuk mendesain sistem pakar untuk analisis dan interpretasi. Misal DENDRAL – Sistem Pakar untuk menentukan struktur molekul dari cairan

dasar yang tidak diketahui (Feigenbaum et al., 1971), menggunakan forward chaining.

Kebanyakan sistem pakar dengan backward chaining digunakan untuk tujuan diagnosis. Misal, MYCIN, sistem pakat dunia medis untuk diagnosis penyakit infeksi darah

(Shortliffe, 1976), menggunakan backward chaining. Kebanyakan dalan SP yang ada, mengombinasikan diantara

keduanya.

21

MEDIA ADVISOR: Rule-base Expert System

Rule: 1 if the environment is papers or the environment is manuals or the environment is documents or the environment is textbooks then the stimulus_situation is verbalRule: 2 if the environment is pictures or the environment is illustrations or the environment is photographs or the environment is diagrams then the stimulus_situation is visualRule: 3 if the environment is machines or the environment is buildings or the environment is tools then the stimulus_situation is ‘physical object’Rule: 4 if the environment is numbers or the environment is formulas or the environment is ‘computer programs’ then the stimulus_situation is symbolicRule: 5 if the job is lecturing or the job is advising or the job is counselling then the stimulus_response is oralRule: 6 if the job is building or the job is repairing or the job is troubleshooting then the stimulus_response is ‘hands-on’

Rule: 7 if the job is writing or the job is typing or the job is drawing then the stimulus_response is documentedRule: 8 if the job is evaluating or the job is reasoning or the job is investigating then the stimulus_response is analyticalRule: 9 if the stimulus_situation is ‘physical object’ and the stimulus_response is ‘hands-on’ and feedback is required then medium is workshopRule: 10 if the stimulus_situation is symbolic and the stimulus_response is analytical and feedback is required then medium is ‘lecture – tutorial’Rule: 11 if the stimulus_situation is visual and the stimulus_response is documented and feedback is not required then medium is videocassetteRule: 12 if the stimulus_situation is visual and the stimulus_response is oral and feedback is required then medium is ‘lecture – tutorial’Rule: 13 if the stimulus_situation is verbal and the stimulus_response is analytical and feedback is required then medium is ‘lecture – tutorial’

Rule: 14 if the stimulus_situation is verbal and the stimulus_response is oral and feedback is required then medium is ‘role-play

exercises

22

MEDIA ADVISOR: Rule-base Expert System

Tujuan akhir rule-based expert system adalah untuk memunculkan solusi pada masalah data masukan.

Media Advisor, solusi/kesimpulan adalah media yang dipilih dari daftar 4 pilihan: medium is workshop medium is ‘lecture – tutorial’ medium is videocassette medium is ‘role-play exercises’

Dalam dialog, SP menanyai user untuk memasukkan data yang dibutuhkan untuk menyelesaikan masalah (environment, job, dan feedback).

Berdasarkan jawaban yang diberikan oleh user, SP menerapkan aturan dari knowledge base untuk menalar stimulus_situation adalah physical object, stimulus_response adalah hands_on.

Rule 9 kemudian memilih satu dari nilai medium yang dibolehkan.

23

Menalar dengan Forward Chaining

What sort of environment is a trainee dealing with on the job? machines

In what way is a trainee expected to act or respond on the job? repairing

Is feedback on the trainee’s progress required during training? required (yes)

Cycle 1Rule: 3 if the environment is machines or the environment is buildings or the environment is tools then the stimulus_situation is

‘physical object’

Cycle 1Rule: 6 if the job is building or the job is repairing or the job is troubleshooting then the stimulus_response is ‘hands-

on’

Cycle 2Rule: 9 if the stimulus_situation is ‘physical

object’ and the stimulus_response is ‘hands-

on’ and feedback is required then medium is workshop medium is workshop

Tidak ada aturan yang masih dapat ditembak, Berhenti.FORWARD CHAINING: Memasukkan fakta dulu, baru disimpulkan.

24

Menalar dengan Forward Chaining (2)

Kasus 1What sort of environment is a trainee

dealing with on the job? diagrams

In what way is a trainee expected to act or respond on the job? advisinging



dealing with on the job? ‘computer programs’

In what way is a trainee expected to act or respond on the job? reasoning



dealing with on the job? textbooks

In what way is a trainee expected to act or respond on the job? drawing



dealing with on the job? diagrams

In what way is a trainee expected to act or respond on the job? building

Is feedback on the trainee’s progress required during training? not required (no)

25

Menalar dengan Backward Chaining

Hipotesis: ‘medium’ is ‘workshop’Pass 1 Mencoba Rule 9, Perlu mencari fakta ‘stimulus_situation’ Rule 9, ditumpuk, fakta ‘stimulus_situation’ dicari sebagai ‘physical

object’Pass 2 Mencoba Rule 3, Perlu mencari fakta ‘environment’ Rule 3, ditumpuk, fakta ‘environment’ dicari sebagai ‘machines’ Menanyai environment

machines ‘environment’ diinstasiasi oleh user dengan memasukkan ‘machines’

Mencoba Rule 3, ‘stimulus_situation’ diinstasiasi oleh Rule: 3 menjadi ‘physical object’

Pass 3 Mencoba Rule 9, Perlu mencari fakta ‘stimulus_response’ Rule 9, ditumpuk, fakta ‘stimulus_response’ dicari sebagai ‘hands-on’

26

Menalar dengan Backward Chaining (2)

Pass 4 Mencoba Rule 6, Perlu mencari fakta ‘job’ Rule 6, ditumpuk, fakta ‘job’ dicari sebagai ‘building’Menanyai job repairing ‘job’ diinstansiasi oleh user dengan memasukkan ‘repairing’

Mencoba Rule 6, ‘stimulus_response’ diinstansiasi oleh Rule 6 menjadi ‘hands-on’

Pass 5 Mencoba Rule 9, Perlu mencari fakta ‘feedback’ Rule 9 ditumpuk, fakta ‘feedback’ dicari sebagai ‘required’Menanyai feedback required ‘feedback’ diinstansiasi oleh user dengan memasukkan ‘required’

Mencoba Rule 9, ‘medium’ diinstansiasi oleh user Rule 9 menjadi ‘workshop’

medium is workshop

BACKWARD CHAINING: Dimulai dari kesimpulan (hipotesis), kemudian mencari fakta

27

Pohon diagram penalaran

28

Menalar dengan Backward Chaining (3)

Bagaimana jika hipotesisnya adalah: medium is workshop ? Tetapi : environment is numbers jobs is investigating feedback is required (yes)

Bagaimana jika hipotesisnya adalah: medium is workshop ? Tetapi : environment is photograhs jobs is writing feedback is not required

(no)

Kasus Lain Fakta tidak lengkap

Bagaimana jika hipotesisnya adalah: medium is workshop ? Tetapi : environment is

machines jobs is repairing

Perlu diperhatikan, backward chaining tidak selalu bertanya ketika proses penalaran, bisa dimulai dengan memasukan fakta, kemudian mulai menalar, ditengah jalan, SP bisa bertanya untuk menambah fakta baru.

29

Kelebihan Sistem Pakar

Representasi pengetahuan yang alami Pakar biasanya menjelaskan prosedur penyelesaian masalah dengan pernyataan “Dalam situasi

seperti ini, saya melakukan seperti ini”, ini dinyatakan dengan aturan produksi IF-THEN. Stuktur yang seragam

Aturan produksi menggunakan IF-THEN semua, setiap aturan adalah pengetahuan yang independen satu sama lain.

Pemisahan pengetahuan dari pemrosesan. Stuktur rule-based expert system memberikan pemisahan knowledge base dari mesin inferensi

yang efektif. Agar mesin semakin pintar, maka knowledge engineer hanya menambah beberapa aturan pada

knowledge base tanpa mengintervensi struktur kontrol. Menyelesaikan pengetahuan yang tidak lengkap dan tidak pasti.

Kebanyakan rule-based expert system dapat merepresentasikan dan menalar pengetahuan yang tidak lengkap dan tidak pasti.

Misal: IF season is autumn AND sky is ‘cloudy’ AND wind is low THEN forecast is clear { cf 0.1 }; forecast is drizzle { cf 1.0 }; forecast is rain { cf 0.9 }

30

Kekurangan Sistem Pakar

Hubungan yang tidak jelas antar aturan. Meskipun individu aturan produksi secara relatif sederhana dan self-

documented, interaksi logika dalam jumlah aturan yang besar bisa menjadi kabur (tidak jelas/membingungkan).

Sulit diamati bagaimana setiap individu memberikan semua strategi. Masalah ini akan terlihat ketika aturan produksi disusun dalam hirarki.

Strategi pencarian tidak efisien. Mesin inferensi menerapkan exhaustive search pada semua aturan produksi

disetiap siklus. Sistem pakar dengan aturan yang besar (>100) bisa menjadi lambat, dan tidak

cocok untuk aplikasi yang real-time. Tidak dapat belajar

Umumnya rule-based expert system tidak mempunyai kemampuan untuk belajar dari pengalaman.

Tidak bisa secara otomatis memodifikasi knowledge base atau menyesuaikan aturan atau menambah aturan baru.

Knowledge engineer masih bertanggung jawab pada revisi dan pengelolaan sistem.

31

SAATNYA LATIHAN MESIN INFERENSIFORWARD CHAINING

DAN BACKWARD CHAINING

ANY QUESTIONS ?

Sistem Pakar Berbasis Aturan (Rule-based Expert Systems)

Documents

Transcript of Sistem Pakar Berbasis Aturan (Rule-based Expert Systems)