SISTEM PAKAR (Dari Slide Indonesia Binus

Dari Slide Indonesia Binus

Kuliah Sistem Pakar Pertemuan I

“Inteligensia Semu” (IS) Inteligensia (Kecerdasan)

Kemampuan manusia untuk memperoleh pengetahuan dan pandai melaksanakan pengetahuannya dalam praktek

Semu (Buatan)Spektrum Inteligensia

Definisi Inteligensia Semu Turban, 1990 Levine et.al, 1990 Rich & Knight, 1991 Winston, 1992 Lugger & Stubblefield, 1993 Etc.

Tujuan Inteligensia Semu– Membuat mesin lebih pintar (tujuan utama)– Mengerti apa itu intelijen (tujuan pemenang Noble)– Membuat mesin lebih berguna (tujuan usahawan)

(Turban, E) Tujuan Inteligensia Semu (lanjutan)

Sudut pandang KecerdasanMembuat mesin lebih “Cerdas”

Sudut pandang PenelitianMembuat mesin (komputer) dapat melakukan sesuatu sebaik yang dilakukan manusia

Sudut pandang BisnisSekumpulan peralatan yang sangat powerfull dan metodologis untuk menyelesaikan

masalah bisnis Sudut pandang Pemrograman

Studi tentang pemrograman simbolik, problem solving dan searching

(Kusumadewi, Sri)

Tingkah Laku Intelijen• Belajar atau mengerti dari pengalaman• Mencari arti dari pesan ambigu atau kontradiksi• Bereaksi dengan cepat dan dengan sukses terhadap situasi yang baru

1


• Menggunakan nalar dalam pemecahan masalah dan mengarahkan tindakan secara efektif

• Berurusan dengan situasi yang tidak tentu• Mengerti dan menduga dalam cara biasa dan rasional• Menerapkan pengetahuan untuk memanipulasi lingkungan• Mendapatkan dan menerapkan pengetahuan• Berpikir dan menalar

Hirarki Pengetahuan Noise atau Gangguan Data :

KualitatifKuantitatif

Informasi Pengetahuan Meta Pengetahuan

2


AI Advantages Over Natural Intelligence More permanent Ease of duplication and dissemination

3


Less expensive Consistent and thorough Can be documented Can execute certain tasks much faster than a human can Can perform certain tasks better than many or even most people

Pertemuan II

“Inteligensia Semu”(Lanjutan)

Gambar : Model Newell - Simon tentang Pemrosesan Informasi oleh Manusia

4


Membangun Suatu Sistem Yang Mampu Menyelesaikan Masalah, Perlu Mempertimbangkan

Mendifinisikan masalah dengan tepat Menganalisis masalah serta mencari teknik penyelesaian masalah dengan tepat Merepresentasikan pengetahuan yang perlu Memilih teknik penyelesaian masalah yang terbaik

Mendifinisikan Masalah Sebagai Suatu Ruang Keadaan

To Specify a Problem Define the state space Spesify the initial states Spesify the goal states Spesify the operations

Gambar : Graph State yang menunjukkan rute pilihan dari Start (S) ke Goal (G)

Transparansi IF623-Sistem Pakar 02 / 04-08

Gambar : Pohon pencarian

5


Pendekatan Pencarian Formal Optimasi Pencarian Buta atau Blind Search

- Enumerasi Lengkap- Partial

Heuristik

Teknik Penulusuran data dalam bentuk jaringan terdiri atas node-node berbentuk tree atau pohon, terdiri :

Breadth-First Search Depth-First Search Best-First Search (?)

Breadth-First Search Definisi ? Keuntungan

* Tidak akan menemui jalan buntu.

* Jika ada satu solusi, maka metode ini akan menemukan. Dan jika ada lebih dari satu solusi, maka solusi minimum akan ditemukan.

Kelemahan* Membutuhkan memori yang cukup banyak, karena akan menyimpan semua

node dalam satu pohon. * Membutuhkan waktu yang cukup lama, karena akan menguji “n” level untuk

mendapatkan solusi pada level yang ke-(n+1) Algorithma ?

(Kusumadewi, Sri)

Pencarian Pertama Melebar (Breadth-first search)

Breadth-First Search: Missionaries and Cannibals

6


Depth-First Search

Definisi ? Keuntungan

* Memori relatif kecil, node lintasan aktif saja yang disimpan.* Secara kebetulan, metode ini akan menemukan solusi tanpa harus

menguji lebih banyak lagi dalam ruang keadaan. Kelemahan

* Memungkinkan tidak ditemukannya tujuan yang diharapkan. * Hanya akan mendapatkan satu solusi setiap pencarian.

Algorithma ?

(Kusumadewi, Sri)Pencarian Mendalam (Depth-first search)

Depth-First Search:Missionaries and Cannibals

7


Buatlah contoh sederhana aplikasi :

1. Depth-first search2. Breadth-first search

Best-First Search (heuristik) Mencari solusi terbaik berdasar pengetahuan yang dimiliki Keuntungan, mengurangi beban komputasi karena hanya solusi yang memberikan

harapan saja yang diuji Kelemahan, solusi bisa salah dan tidak ada jaminan solusi yang dihasilkan

merupakan solusi yang mutlak benar Heuristik, merupakan strategi untuk melakukan proses pencarian yang kita lakukan

di sepanjang jalur yang memiliki kemungkinan sukses paling besar dan mengenyampingkan usaha yang kurang efisien.

Hal-hal penting dalam Search Arah “search” : Forward

Backward Topologi proses : Tree

Graph : berarah

tidak berarah Memilih aturan-aturan yang dapat diterapkan Penggunaan “fungsi heuristik” untuk memandu proses search

Toy Problem: Missionaries and Cannibals

On one bank of a river are three missionaries (black triangles) and three cannibals (red circles). There is one boat available that can hold up to two people and that they would like to use to cross the river. If the cannibals ever outnumber the missionaries on either of the river’s banks, the missionaries will get eaten. How can the

boat be used to safely carry all the missionaries and cannibals across the river?

Missionaries and Cannibals : Initial State and Actions

8


Missionaries and Cannibals : State Space

Missionaries and Cannibals : Goal State and Path Cost

Summary The two main parts of any AI system: knowledge base and an inferencing system The knowledge base is made up of facts, concepts, theories, procedures and relationships

representing real-world knowledge about objects, places, events, people and so on The inference engine (thinking mechanism) uses the knowledge base, reasoning with it

Kuliah Sistem Pakar Pertemuan III“Sistem Pakar”Sistem Berbasis Pengetahuan

Sistem Pakar

Sistem Pakar berasal dari istilah knowledge-based expert system

9


Menggunakan human knowledge yang dimasukkan ke dalam komputer untuk memecahkan masalah yang umumnya memerlukan keahlian seorang Pakar

Domain yang sempit

Konsep Dasar dan Fungsi Sistem Pakar

Hubungan Problem Domain dan Knowledge Domain

Structure of an Expert System

Definisi Sistem Pakar Sistem komputer yang dapat melakukan penalaran terhadap persoalan

tertentu seperti penalaran yang dilakukan manusia (Michael P. Geografi) Sistem Komputer yang bisa menyamai atau meniru kemampuan seorang

pakar (Giarratano dan Riley)

10


Program komputer yang dimanfaatkan untuk meniru proses pengambilan keputusan seorang pakar dalam bidang tertentu (Michael W. Parks)

Etc.

Tujuan Dan Fungsi Sistem Pakar Memasyarakatkan Pengetahuan dan Pengalaman seorang Pakar Dapat digunakan non-expert untuk meningkatkan kemampuan pemecahan

masalah dan oleh expert sebagai knowledgeable assistant Menyederhanakan pekerjaan dan memperbaiki kualitas Memecahkan masalah (sederhana) tanpa kehadiran seorang pakar

Expertise atau KepakaranMeliputi pengetahuan tentang :

Fakta-fakta dan teori-teori tentang bidang permasalahan Aturan-aturan (heuristic) tentang apa yang harus dikerjakan dalam situasi

tertentu Strategi global untuk memecahkan perma-salahan semacam ini Pengetahuan tentang pengetahuan (meta knowledge)

PAKAR

Melibatkan kegiatan : Mengenali dan memformulasikan permasalahan Memecahkan permasalahan secara cepat dan tepat Menerangkan pemecahannya Belajar dari pengalaman Merestrukturisasi pengetahuan Memecahkan aturan-aturan Menentukan relevansi

PARTISIPAN DALAM MEMBANGUN SISTEM PAKAR DAN ATURAN-ATURANNYA

Keuntungan dan Kelemahan Sistem Pakar

keuntungan bila menggunakan system pakar, diantaranya adalah :1. Menjadikan pengetahuan dan nasihat lebih mudah didapat.2. Meningkatkan output dan produktivitas.3. Menyimpan kemampuan dan keahlian seorang pakar.

11


4. Meningkatkan penyelesaian masalah yang khusus.5. Meningkatkan reliabilitas.6. Memberikan respons (jawaban) yang cepat.7. Merupakan panduan yang cerdas.8. Dapat bekerja dengan informasi yang kurang lengkap dan mengandung ketidakpastian.9. Sebagai basis data cerdas, bahwa system pakar dapat digunakan untuk mengakses basis data dengan cara cerdas.Selain keuntungan di atas, system pakar seperti halnya system lainnya, juga memiliki kelemahan. Di antaranya adalah :1. Masalah dalam mendapatkan pengetahuan di mana pengetahuan tidak selalu bisa didapatkan dengan mudah karena kadangkala pakar dari masalah yang kita buat tidak ada, dan kalaupun ada kadang pendekatan yang dimiliki oleh pakar berbeda-beda.2. Untuk membuat suatu system pakar yang benar-benar berkualitas tinggi sangatlah sulit dan memerlukan biaya yang sangat besar untuk pengembangan dan pemeliharaanya.3. Boleh jadi system tidak dapat membuat keputusan.4. System pakar tidaklah 100% menguntungkan, walaupun seorang tetap tidak sempurna atau tidak selalu benar. Oleh karena itu perlu diuji ulang secara teliti sebelum digunakan. Sehingga dalam hal ini peran manusian tetap merupakan factor yang dominan.Kelemahan-kelemahan atau kekurangan dari system pakar tersebut bukanlah sama sekali tidak bisa diatasi, tetapi dengan terus melakukan perbaikan dan pengolahan berdasarkan pengalaman yang telah ada maka hal itu diyakini akan dapat diatasi, walaupun dalam waktu yang panjang dan terus menerus.

Bahasa-bahasa Pemrograman Sistem Pakar

Beberapa contoh aplikasi Sistem Pakar Mysin, identifikasi penyakit infeksi bakterial dan rekomendasi obat anti

biotiknya Dendral, analisa struktur molekular suatu senyawa yang belum diketahui Etc.

KATEGORI GENERIK DARI SISTEM PAKAR

12


Ciri-ciri Sistem Pakar

Terbatas pada domain keahlian tertentu Memiliki fasilitas informasi yang handal Berdasar “rule-rule”tertentu Mudah dimodifikasi Dapat digunakan dalam berbagai jenis komputer Dirancang untuk dapat dikembangkan secara bertahap Output bersifat anjuran

PERBANDINGAN SISTEM KONVENSIONAL DENGAN SISTEM PAKAR

13


PERBEDAAN (Lanjutan..)

Kuliah Sistem Pakar Pertemuan IV“Akuisisi dan Rekayasa Pengetahuan”

Transferring Expertise

Objective of an expert system – To transfer expertise from an expert to a computer system and – Then on to other humans (nonexperts)

Activities– Knowledge acquisition – Knowledge representation – Knowledge inferencing – Knowledge transfer to the user

Knowledge is stored in a knowledge base

14


Model dasar dari akuisisi Pengetahuan

Proses Rekayasa Pengetahuan (Knowledge Engineering Process)

Akuisisi Pengetahuan (Knowledge Acquisition)

Akuisisi Pengetahuan adalah suatu proses menyarikan, menstrukturkan dan mengor -ganisasikan pengetahuan yang berasal dari sumber-sumber pengetahuan dan diubah oleh KE ke dalam basis pengetahuan, dan ke mesin inferensi.

Kesulitan dalam Akuisisi PengetahuanExpressing the knowledge Transfer to a MachineNumber of participantsStructuring the knowledge

The Knowledge Engineer (KE)

15


Helps the expert(s) structure the problem area by interpreting and integrating human answers to questions, drawing analogies, posing counterexamples, and bringing to light conceptual difficultiesUsually also the System Builder

Tahapan Akuisisi Pengetahuan

Akuisisi pengetahuan adalah akumulais, transfer dan transformasi keahlian dalam menyelesaikan masalah dari sumber pengetahuan ke dalam program computer. Dalam tahap ini knowledge engineer berusaha menyerap pengetahuan untuk selanjutnya ditransfer ke dalam basis pengetahuan.Menurut Turban (1988), terdapat tiga metode utama dalam akuisisi pengetahuan yaitu :1. WawancaraWawancara adalah metode akuisisi yang paling banyak digunakan. Metode ini melibatkan pembicaraan dengan pakar secara langsung dalam suatu wawancara.2. Analisis protocolDalam metode ini pakar diminta untuk melakukan suatu pekerjaan dan mengungkapkan proses pemikirannya dengan menggunakan kata-kata. Pekerjaan tersebut direkam, dituliskan dan dianalisis.3. Observasi pada pekerjaan pakarDalam metode ini pekerjaan dalam bidang tertentu yang dilakukan pakar diobservasi.4. Induksi aturan dari contohDalam metode ini system diberi contoh dari suatu masalah yang hasilnya telah diketahui. Setelah diberikan beberapa contoh, system induksi dapat membuat aturan yang benar untuk kasus contoh. Selanjutnya aturan dapat digunakan untuk menilai kasus lain yang hasilnya tidak diketahui.Akuisisi pengetahuan dilakukan sepanjang proses pembangunan system. Menurut Firebaugh (1989) proses akuisisi pengetahuan dibagi ke dalam 6 tahap yaitu : Identifikasi, Konseptualisasi, Formalisasi, Implementasi, Pengujian dan Revisi Prototipe.

DefinisiSistem pakar adalah suatu program komputer yang dirancang untuk mengambilkeputusan seperti keputusan yang diambil oleh seorang atau beberapa orangpakar. Menurut Marimin (1992), sistem pakar adalah sistem perangkat lunakkomputer yang menggunakan ilmu, fakta, dan teknik berpikir dalam pengambilankeputusan untuk menyelesaikan masalah-masalah yang biasanya hanya dapatdiselesaikan oleh tenaga ahli dalam bidang yang bersangkutan.Dalam penyusunannya, sistem pakar mengkombinasikan kaidah-kaidahpenarikan kesimpulan (inference rules) dengan basis pengetahuan tertentu yangdiberikan oleh satu atau lebih pakar dalam bidang tertentu. Kombinasi dari keduahal tersebut disimpan dalam komputer, yang selanjutnya digunakan dalamproses pengambilan keputusan untuk penyelesaian masalah tertentu.Modul Penyusun Sistem Pakar Suatu sistem pakar disusun oleh tiga modul utama (Staugaard, 1987), yaitu :1.Modul Penerimaan Pengetahuan Knowledge Acquisition Mode)Sistem berada pada modul ini, pada saat ia menerima pengetahuan daripakar. Proses mengumpulkan pengetahuan-pengetahuan yang akandigunakan untuk pengembangan sistem, dilakukan dengan bantuanknowledge engineer. Peran knowledge engineer adalah sebagaipenghubung antara suatu sistem pakar dengan pakarnya 2.ModulKonsultasi(ConsultationMode)Pada saat sistem berada pada posisi memberikan jawaban ataspermasalahan yang diajukan oleh user, sistem pakar berada dalam modulkonsultasi. Pada modul ini, user berinteraksi dengan sistem denganmenjawab pertanyaan-pertanyaan yang diajukan oleh sistem.3.Modul Penjelasan(Explanation Mode)

16


Modul ini menjelaskan proses pengambilan keputusan oleh sistem(bagaimana suatu keputusan dapat diperoleh).Struktur Sistem Pakar Komponen utama pada struktur sistem pakar (Hu et al, 1987) meliputi:1.Basis Pengetahuan (Knowledge Base)Basis pengetahuan merupakan inti dari suatu sistem pakar, yaitu beruparepresentasi pengetahuan dari pakar. Basis pengetahuan tersusun atasfakta dan kaidah. Fakta adalah informasi tentang objek, peristiwa, atausituasi. Kaidah adalah cara untuk membangkitkan suatu fakta baru dari fakta yang sudah diketahui. Menurut Gondran (1986) dalam Utami (2002),basis pengetahuan merupakan representasi dari seorang pakar, yangkemudian dapat dimasukkan kedalam bahasa pemrograman khusus untukkecerdasan buatan (misalnya PROLOG atau LISP) atau shell sistempakar (misalnya EXSYS, PC-PLUS, CRYSTAL, dsb.)2.Mesin Inferensi (Inference Engine)Mesin inferensi berperan sebagai otak dari sistem pakar. Mesin inferensiberfungsi untuk memandu proses penalaran terhadap suatu kondisi,berdasarkan pada basis pengetahuan yang tersedia. Di dalam mesininferensi terjadi proses untuk memanipulasi dan mengarahkan kaidah,model, dan fakta yang disimpan dalam basis pengetahuan dalam rangkamencapai solusi atau kesimpulan. Dalam prosesnya, mesin inferensimenggunakan strategi penalaran dan strategi pengendalian.Strategi penalaran terdiri dari strategi penalaran pasti (Exact Reasoning)dan strategi penalaran tak pasti (Inexact Reasoning). Exact reasoningakan dilakukan jika semua data yang dibutuhkan untuk menarik suatukesimpulan tersedia, sedangkan inexact reasoning dilakukan padakeadaan sebaliknya.Strategi pengendalian berfungsi sebagai panduan arah dalam melakukanprose penalaran. Terdapat tiga tehnik pengendalian yang seringdigunakan, yaitu forward chaining, backward chaining, dan gabungan darikedua tehnik pengendalian tersebut.3.Basis Data (Database)Basis data terdiri atas semua fakta yang diperlukan, dimana fakta-faktatersebut digunakan untuk memenuhi kondisi dari kaidah-kaidah dalamsistem. Basis data menyimpan semua fakta, baik fakta awal pada saatsistem mulai beroperasi, maupun fakta-fakta yang diperoleh pada saatproses penarikan kesimpulan sedang dilaksanakan. Basis data digunakanuntuk menyimpan data hasil observasi dan data lain yang dibutuhkanselama pemrosesan.4.Antarmuka Pemakai (User Interface)Fasilitas ini digunakan sebagai perantara komunikasi antara pemakaidengan sistem. Hubungan antar komponen penyusun struktur sistempakar dapat dilihat pada Gambar di bawah ini :Teknik Representasi PengetahuanRepresentasi pengetahuan adalah suatu teknik untuk merepresentasikan basispengetahuan yang diperoleh ke dalam suatu skema/diagram tertentu sehinggadapat diketahui relasi/keterhubungan antara suatu data dengan data yang lain.Teknik ini membantuknowledge engineer dalam memahami struktur pengetahuan yang akan dibuat sistem pakarnya Terdapat beberapa teknik representasi pengetahuan yang biasa digunakandalam pengembangan suatu sistem pakar, yaitu :1. Rule-Based KnowledgePengetahuan direpresentasikan dalam suatu bentuk fakta (facts) danaturan (rules). Bentuk representasi ini terdiri atas premise dan kesimpulan2.Frame-Based Knowledge Pengetahuan direpresentasikan dalam suatu bentuk hirarki atau jaringanframe4.Object-Based KnowledgePengetahuan direpresentasikan sebagai jaringan dari obyek-obyek.Obyek adalah elemen data yang terdiri dari data dan metoda (proses)5.Case-Base Reasoning Pengetahuan direpresentasikan dalam bentuk kesimpulan kasus (

17


cases)(Untuk mengetahui lebih jelasnya, Anda dapat membaca buku :•Management Information System(J.A. O'Brien)McGraw Hill. Arizona.USA.•Decision Support and Expert Systems; Management Support Systems(E.Turban)Prentice Hall. New Jersey.USA.Buku-buku lain yang membahas tentang Sistem Pakar)Sistem pakar adalah sistem yang mempekerjakan pengetahuan manusiayang ditangkap dalam komputer untuk memecahkan masalah yang biasanyamembutuhkan keahlian manusia. Adapun komponen-kompenen yang mungkinada dalam sebuah sistem pakar adalah:1.Subsistem akuisisi pengetahuan2. Basis pengetahuanBasis pengetahuan berisi pengetahuan penting untuk pengertian,formulasi dan pemecahan masalah. Basis pengetahuan memasukkan duaelemen (1) fakta (facts) seperti situasi masalah dan teori dari area masalah dan(2) heuristic khusus atau rule-rule yang menghubungkan penggunaanpengetahuan untuk pemecahan masalah spesifik dalam sebuah domain khusus.Informasi dalam basis pengetahuan tergabung dalam basis pengetahuantergabung dalam sebuah program komputer oleh proses yang disebut denganrepresentasi pengetahuan. 3.Mesin inferensi4.Blackboard (Wilayah kerja)5. User interfaceSistem pakar berisi bahasa prosesor untuk komunikasi yang bersahabat,berorientasi pada masalah antara pengguna dan komputer. Komunikasiini dapat secara baik dibawa oleh natural language, dan dalam beberapakasus user interface ditambahkan dengan menu-menu dan grafik.6.Subsistem penjelasan7.Sistem penyaringan pengetahuanSedangkan konsep dasar dalam sistem pakar menurut Turban, 1993 adalah:1.Keahlian (Expertise)2.Pakar (Expert)3.Transfer keahlian4.Inferensi5. Rule6.Kemampuan memberikan penjelasanHYPERLINK "http://kmp.htm/" \t"right"Akuisisi PengetahuanAkuisisi pengetahuan adalah akumulasi, transfer dan transformasi darikeahlian pemecahan masalah dari beberapa sumber pengetahuan ke programkomputer untuk konstruksi atau perluasan basis pengetahuan. Sumber-sumber pengetahuan potensial termasuk pakar manusia, textbook, database, laporanpenelitian khusus, dan gambar-gambar.Pengakuisisian pengetahuan dari pakar adalah tugas kompleks yang seringmembuat kemacetan dalam konstruksi sistem pakar sehingga dibutuhkanseorang knowledge engineer untuk berinteraksi dengan satu atau lebih pakar dalam membangun basis pengetahuan.

Cara-cara memperoleh /“elicitation” Pengetahuan dari Expert

18


Metode Akuisisi

Menguji Basis Pengetahuan

19


Kuliah Sistem Pakar Pertemuan V“Representasi Pengetahuan”

Proses Rekayasa Pengetahuan (Knowledge Engineering Process)

Knowledge Representation Knowledge Representation is concerned with storing large bodies of useful

information in a symbolic format. Most commercial ES are rule-based systems where the information is stored

as rules. Frames may also be used to complement rule-based systems.

Tipe-tipe Pengetahuan berdasar Sumber Deep Knowledge

(formal knowledge) Shallow /Surface Knowledge

(non formal knowledge)

Deep knowledge atau pengetahuan formal, pengetahuan bersifat umum yang terdapat dalam sumber pengetahuan tertentu (buku, jurnal, buletin ilmiah dsb) dan dapat diterapkan dalam tugas maupun kondisi berbeda.

Shallow knowledge atau pengetahuan non formal, pengetahuan-pengetahuan praktis dalam bidang tertentu yang diperoleh seorang pakar pengalamannya pada bidang dalam jangka waktu cukup lama.

Tipe-tipe Pengetahuan berdasar Cara Merepresentasikan Pengetahuan Heuristik Pengetahuan Prosedural

20


Pengetahuan Deklaratif

Representasi Pengetahuan Propotional Logic (logika proposional) Semantic Network (jaringan semantik) Script, List, Table, dan Tree Object, Attribute, dan Values Production Rule (kaidah produksi) Frame

Representation in Logic and Other Schemas General form of any logical process Inputs (Premises) Premises used by the logical process to create the output, consisting of conclusions

(inferences) Facts known true can be used to derive new facts that also must be true Two Basic Forms of Computational Logic

Propositional logic (or propositional calculus) Predicate logic (or predicate calculus)

Symbols represent propositions, premises or conclusionsStatement: A = The mail carrier comes Monday through Friday. Statement: B = Today is Sunday.Conclusion: C = The mail carrier will not come today.

Propositional logic: limited in representing real-world knowledge

Propositional Logic A proposition is a statement that is either true or false Once known, it becomes a premise that can be used to derive new propositions or

inferences Rules are used to determine the truth (T) or falsity (F) of the new proposition

Propotional Logic Logic dapat digunakan untuk melakukan penalaran :

Contoh :Pernyataan A = Pak Pos datang hari Senin

sampai SabtuPernyataan B = Hari ini hari MingguKesimpulan C = Pak Pos tidak akan datang hari ini

Predicate Calculus Predicate logic breaks a statement down into component parts, an object, object

characteristic or some object assertion Predicate calculus uses variables and functions of variables in a symbolic logic statement Predicate calculus is the basis for Prolog (PROgramming in LOGic) Prolog Statement Examples

comes_on(mail_carrier, monday).

21


likes(jay, chocolate).(Note - the period “.” is part of the statement)

Jaringan Semantik

Contoh : 1)

2)ScriptsSCRIPT, skema representasi pengetahuan yang menggambarkan urutan dari kejadian.

Elemen-elemen script terdiri dari : Elements include

Entry Conditions Props Roles Tracks Scenes

Contoh : Script “Ujian Akhir Semester”

List LIST,

22


daftar tertulis dari item-item yang saling berhubungan. Umumnya digunakan untuk merepresentasikan hirarki pengetahuan dimana suatu

obyek dikelompokan, dikategorikan sesuai dengan Rank or Relationship

Contoh : berupa daftar orang yang anda kenal, benda-benda yang harus dibeli di pasar swalayan, hal-hal yang harus dilakukan minggu ini, atau produk-produk dalam suatu katalog.

Decision Tabel DECISION TABLE, pengetahuan yang diatur dalam format lembar kerja atau

spreadsheet, menggunakan kolom dan baris.

Attribute List

Conclusion List

Different attribute configurations are matched against the conclusion Contoh :… ?

Decision Trees DECISION TREE, tree yang berhubungan dengan decision table namun sering

digunakan dalam analisis sistem komputer (bukan sistem AI). Contoh :… ? Related to tables Similar to decision trees in decision theory Can simplify the knowledge acquisition process Knowledge diagramming is frequently more natural to experts

than formal representation methods

Object, Attribute, ValuesOBJECT :

OBJECT dapat berupa fisik atau konsepsi.

ATTRIBUTE : ATTRIBUTE adalah karakteristik dari object.

VALUES : VALUES adalah ukuran spesifik dari attribute dalam situasi tertentu

Production Rules

PRODUCTION RULES:

23


Production system dikembangkan oleh Newell dan Simon sebagai model dari kognisi manusia. Ide dasar dari sistem ini adalah pengetahuan digambarkan sebagai production rules dalam bentuk pasangan kondisi-aksi.

Production Rules Condition-Action Pairs

IF this condition (or premise or antecedent) occurs, THEN some action (or result, or conclusion, or consequence) will (or should)

occur IF the stop light is red AND you have stopped, THEN a right turn is OK

Each production rule in a knowledge base represents an autonomous chunk of expertise

When combined and fed to the inference engine, the set of rules behaves synergistically

Rules can be viewed as a simulation of the cognitive behavior of human experts Rules represent a model of actual human behavior

Contoh : Production Rules RULE 1 : JIKA konflik internasional mulai

MAKA harga emas naik

RULE 2 : JIKA laju inflasi berkurang

MAKA harga emas turun RULE 3 : JIKA konflik internasional

berlangsung lebih dari tujuh hari dan

JIKA konflik terjadi di Timur Tengah

MAKA beli emas

Production Rules Condition-Action Pairs

IF this condition (or premise or antecedent) occurs, THEN some action (or result, or conclusion, or consequence) will (or should)

occur IF the stop light is red AND you have stopped, THEN a right turn is OK

Each production rule in a knowledge base represents an autonomous chunk of expertise

When combined and fed to the inference engine, the set of rules behaves synergistically

Rules can be viewed as a simulation of the cognitive behavior of human experts

Rules represent a model of actual human behavior

Forms of Rules IF premise, THEN conclusion

IF your income is high, THEN your chance of being audited by the IRS is high Conclusion, IF premise Your chance of being audited is high, IF your income is high

24


Inclusion of ELSE IF your income is high, OR your deductions are unusual, THEN your chance

of being audited by the IRS is high, OR ELSE your chance of being audited is low

More Complex Rules IF credit rating is high AND salary is more than $30,000, OR assets are more

than $75,000, AND pay history is not "poor," THEN approve a loan up to $10,000, and list the loan in category "B.”

Action part may have more information: THEN "approve the loan" and "refer to an agent"

Frame FRAME adalah struktur data yang berisi semua pengetahuan tentang obyek tertentu.

Pengetahuan ini diatur dalam suatu struktur hirarkis khusus yang memperbolehkan diagnosis terhadap independensi pengetahuan. Frame pada dasarnya adalah aplikasi dari pemrograman berorientasi objek untuk AI dan ES.

Setiap frame mendefinisikan satu objek, dan terdiri dari dua elemen : slot (menggambarkan rincian dan karakteristik obyek) dan facet.

Frames

Frame: Data structure that includes all the knowledge about a particular object Knowledge organized in a hierarchy for diagnosis of knowledge independence Form of object-oriented programming for AI and ES. Each Frame Describes One Object Special Terminology

Contoh FrameAutomobile FrameClass of : TransportationName of Manufacturer : AudiOrigin of Manufacturer : GermanyModel : 5000 turboType of Car : SedanWeight : 3000 lbs.Wheelbase : 105.8 inchesNumber of doors : 4 (default)Transmission : 3-speed (automatic)Number of wheels : 4 (default)Gas mileage : 22 mpg average (procedural attachment)Engine FrameCylinder bore : 3.19 inchesCylinder stroke : 3.4 inchesCompression ratio : 7.8 to 1Fuel system : Injection with turbochargerHorsepower : 140 hpTorque : 160 ft/Lbs

25


Kuliah Sistem Pakar Pertemuan VIINFERENSI DAN PENALARAN

26


Inferensi dan Penalaran

Inferensi :

Proses memperoleh pengetahuan atau pengambilan keputusan berdasarkan pengalaman Penalaran :

Cara (hal) menggunakan pemikiran atau cara berfikir yang logis

Hal mengembangkan atau mengendalikan

sesuatu dengan nalar dan bukan dengan perasaan atau pengalaman

Inferensi dan PenalaranCara memandang proses penyelesaian masalah dengan melihat sumber kekuatan ada 9 sumber (Lenat,1982)

1. Formal Methods, proses penyelesaian masalah dengan menggunakan metode baku (exp. logical deduction)

2. Heuristic Reasoning, proses penyelesaian masalah dengan penalaran (exp. IF-THEN rule)3. Focus, proses menyelesaikan masalah dengan terfokus pada masalahnya (exp. common

sense menuju goal spesifik)4. Divide and Conqueror, proses membagi masalah besar menjadi masalah-masalah kecil

(membagi problem ke beberapa subproblem)5. Parallelism, proses penyelesaian masalah dengan membandingkan masalah yang

mirip.6. Representation, proses penyelesaian masalah dengan mengorganisir representasi

pengetahu -an.7. Analogy, proses penyelesaian masalah dengan menghubungkan beberapa konsep

menjadi konsep utama8. Synergi, proses penyelesaian masalah dengan menggunakan konsep kerjasama

sehingga dapat menghasilkan hasil optimal.9. Serendipity, proses penyelesaian masalah dengan suatu keyakinan akan

mendapatkan suatu hal lebih yang lain pada saat menyelesaikan masalah tersebut. Kategori Penalaran (lanj.)

Deductive Reasoning

General promise untuk mendapatkan spesific inference Premis Umum (mayor) Premis Khusus (minor) Konklusi -- spesifik

Deductive ReasoningContoh 1 :

Major premise : I don’t jog when temperature exceeds 90 degrees

Minor premise : Today the temperature is 93(F)

Conclusion : Therefore, I will not jog today

Contoh 2 :

Premis mayor : A akan diam jika marah

Premis minor : Saat ini A marah

27


Kesimpulan : A akan diam

Inductive Reasoning

Fact (premis) untuk mendapatkan general conclusion

Contoh :

P1 : Faulty diodes cause electronic equipment failure

P2 : Defective transistor cause electronic equipment failure

P3 : Defective integrated circuits cause electronic equipment malfunction

C : Therefore, defective semiconductor

Analogical ReasoningJika ada pertanyaan, jawaban didapat dari analogi (penalaran dengan menggunakan pengetahuan)

Contoh 1 :Q : What are the working hours of engineers in the company ?”A : “9 to 5”Contoh 2 :T : Apa akibat dari keterlambatan pembayaran telepon ?J : Telepon tidak dapat digunakan untuk menelepon.

Formal Reasoning

Syntatic manipulation dari struktur data untuk menyimpulkan fakta-fakta baru, mengikuti rules of inference

Contoh :Proving theorem in geometryPredicate calculus

Procedural (Numeric) Reasoning

Menggunakan model matematika atau simulasi untuk memecahkan masalah.Contoh :

Model-based reasoning (MBR) Generalization & Abstraction

Contoh :

Jika kita tahu bahwa semua perusahaan mempunyai direktur dan semua kantor pialang dianggap sebagai perusahaan,

maka dapat disimpulkan bahwa setiap kantor pialang pasti mempunyai direktur. Penalaran dengan Logika

Mengkaji suatu argumentasi atau penarikan kesimpulan yang valid atau sah.Contoh : Modus Ponen, Jika preposisi A dan A implies B benar, maka preposisi B adalah juga benar. A = udara cerahB = Kita akan pergi ke pantai

28


C = A implies B = Jika udara cerah, maka kita akan pergi ke pantai.

Inferensi dengan Rules Forward and Backward Chaining

Forward Chaining

Jika premise clause match dengan situasi,

Maka proses mencoba untuk mengambil konklusi

Backward Chaining

Jika current goal menentukan fakta dalam konklusi,

Maka proses mencoba untuk menentukan apakah premise clause match dengan situasi

Backward atau Forward ? Contoh 1.

Anda ingin terbang dari Denver ke Tokyo dan tidak ada penerbangan langsung antara kedua kota tersebut. Jadi, anda harus menemukan connecting flight dari Denver yang berakhir di Tokyo. (BW dan FW)

Contoh 2

Mobil anda mogok dan anda ingin mencari tahu mengapa mobil tersebut mogok ?

Backward atau Forward ? IF the car over heats. THEN the car will stall IF the car stalls. THEN it will cost me money, AND I will be late getting home IF the car is tuned AND the battery is weak, THEN not enough current will reach the starter. IF not enough current reaches the starter. THEN the car will not start.

Backward chaining Inductive Mundur /ke belakang, dari goal (noda tujuan) bergerak ke keadaan awal Diagnosa

29


Disebabkan oleh apa ?

Apa yang menjadi penyebab ?

Forward-Chaining Deductive Maju / ke depan, dari keadaan awal menuju ke tujuan (goal) Apa akibatnya ? Mengakibatkan apa ?

Summary Several methods can direct search and reasoning: Chaining (backward and forward), model-

based reasoning and case-based reasoning Analogical reasoning relates past experiences to a current case Backward chaining: Search starts from a specific goal Forward chaining: Search starts from the data (evidence) and tries to arrive at one or more

conclusions In model-based reasoning, a model describes the system. Experimentations are conducted

using a what-if approach Case-based Reasoning: Based on experience with similar situations In case-based reasoning, the attributes of an existing case are compared to critical attributes

derived from cases stored in the case library Two Explanations in most ES: Why and How Metaknowledge is knowledge about knowledge - useful in generating explanations

Kuliah Sistem Pakar Pertemuan VII

“INFERENSI DENGAN KETIDAK PASTIAN”

Inferensi Dengan Ketidakpastian Ketidakpastian dalam AI digambarkan dalam 3(tiga) tahap (Kanal and Lemmer, 1986 ;

Parsaye and Chignell, 1988)

30


Penjelasan Step 1 :Pakar memperoleh pengetahuan yang tidak pasti : numerik,grafik, atau

simbolik (“hampir pasti bahwa …….”) Step 2 :Pengetahuan yang tidak pasti dapat digunakan untuk menarik kesimpulan

dalam kasus sederhana (step 3) Step 3 : Maksud dari sistem berbasis pengetahuan adalah untuk penarikan kesimpulan.

Representing Uncertainty : Uncertainty

When a user cannot provide a definite answer Imprecise knowledge Incomplete information

Representasi Ketidak pastian Numeric Graphic

Symbolic

Representasi ketidakpastian Numerik Skala (0 – 1 atau 0 - 100)

0 = Complete uncertainty (sangat tidakpasti) 1 or 100 = Complete certainty (sangat pasti)

Masalahnya, pakar memberikan angka tertentu sesuai dengan kognisi dan pengalamannya Orang cenderung tidak konsisten dalam menilai sesuatu untuk waktu yang berbeda

(meskipun masalahnya sama)

Graphic Horizontal bars

Tidak seakurat metode numerik. Beberapa pakar tidak mempunyai pengalaman dalam membuat tanda pada skala

grafik. Beberapa pakar tidak biasa memberikan angka dalam skala, mereka lebih suka

memberi ranking

31


Probabilitas dan Pendekatan lainnya Ratio Probabilitas Teorema Bayes Pendekatan Dempster-Shafer

BAYESIAN APPROACH

Teorema Bayes (Probabilitas Bersyarat)

Contoh : Si Ani mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Si Ani

terkena cacar dengan : Probabilitas munculnya bintik-bintik di wajah, jika Si Ani terkena cacar; p(Bintik2| Cacar) =

0.8 Probabilitas Si Ani terkena cacar tanpa memandang gejala apapun; p(Cacar) = 0.4 Probabilitas munculnya bintik-bintik di wajah, jika Si Ani alergi; p(Bintik2| Alergi) = 0.3 Probabilitas Si Ani terkena alergi tanpa memandang gejala apapun; p(Alergi) = 0.7 Probabilitas munculnya bintik-bintik di wajah, jika Si Ani jerawatan; p(Bintik2| Jerawatan)

= 0.9 Probabilitas Si Ani jerawatan tanpa memandang gejala apapun; p(Jerawatan) = 0.5

Teorema Bayes (Probabilitas Bersyarat)Hitung :

Probabilitas Si Ani terkena cacar karena ada bintik-bintik di wajahnya

32


P(Cacar|Bintik2) =

Certainty Factors (CF) And Beliefs Meyatakan kepercayaan dalam suatu “event” Taksiran Pakar Ukuran keyakinan pakar fakta tertentu benar atau salah Perbedaan “nilai kepercayan” dengan “nilai ketidak percayaan

Certainty Factors And Beliefs Certainty factors menyatakan belief dalam suatu event (atau fakta, atau hipotesis)

didasarkan kepada evidence (atau expert’s assessment)

CF = certainty factor MB = measure of belief MD = measure of disbelief P = probability E = evidence, atau event

Contoh : Si Ani menderita bintik-bintik di wajahnya. Dokter memperkirakan Si Ani terkena cacar

dengan ukuran kepercayaan,

MB[Cacar, Bintik2] = 0.8 dan MD[Cacar, Bintik2] = 0.01

CF[Cacar, Bintik2] = 0.80 - 0.01 = 0.79

Kombinasi beberapa Certainty Factors dalam Satu Rule

33


Operator AND

IF inflation is high, CF = 50 %, (A), AND

IF unemployment rate is above 7 %, CF = 70 %, (B), AND

IF bond prices decline, CF = 100 %, (C)

THEN stock prices decline

CF[(A), (B), CF(C)] = Minimum [CF(A), CF(B), CF(C)]

The CF for “stock prices to decline” = 50 percent

Operator AND (lanjutan)

Contoh 2 IF Saya punya uang lebih, CF = 0.7, (A), AND

IF kondisi badan sehat, CF = 0.8, (B), ANDIF tidak turun hujan, CF = 0.9, (C) THEN Saya akan pergi memancing

CF untuk “Saya akan pergi memancing” = 0.7

Kombinasi beberapa Certainty Factors dalam Satu Rule (lanjutan)

Operator OR

Contoh 1 IF inflation is low, CF = 70 %, (A), OR IF bond prices are high, CF = 85 %, (B) THEN stock prices will be high

Hanya 1(satu) IF untuk pernyataan ini dikatakan benar.

Kesimpulan hanya 1(satu) CF dengan nilai maksimum

CF (A or B) = Maximum [CF(A), CF(B)]

The CF for “stock prices to be high” = 85 percent

Kombinasi 2 (dua) atau lebih Rule Contoh :

R1 : IF the inflation rate is less than 5 %,

THEN stock market prices go up (CF = 0.7) R2: IF unemployment level is less than 7 %,

THEN stock market prices go up (CF = 0.6) Efek kombinasi dihitung dengan menggunakan rumus :

CF(R1,R2) = CF(R1) + CF(R2)[1 - CF(R1)]; or CF(R1,R2) = CF(R1) + CF(R2) - CF(R1) CF(R2) Hitung kombinasi CF untuk dua rule di atas (0.88)

Jawab soalCF(R1) = 0.7CF(R2) = 0.6,

CF(R1,R2) = 0.7 + 0.6(1 - 0.7) = 0.7 + 0.6(0.3) = 0.88

34


Misalkan ada rule ke 3 yang merupakan rule baru, CF(R1,R2,R3) = CF(R1,R2) + CF(R3) [1 - CF(R1,R2)]

R3 : IF bond price inceases,THEN stock prices go up (CF = 0.85)

Hitung CF baru ? (0.982)

35

SISTEM PAKAR (Dari Slide Indonesia Binus

Documents

Transcript of SISTEM PAKAR (Dari Slide Indonesia Binus