pengenalan sistem pakardewi_anggraini.staff.gunadarma.ac.id/downloads/files/... · pengenalan...
TRANSCRIPT
-
Pengenalan Sistem PakarSistem Pakar
1
-
Definisi Sistem Pakar
• Durkin : – Suatu program komputer yang dirancang untuk memodelkan
kemampuan penyelesaian masalah yang dilakukan oleh seorang pakar
• Ignizio : – Suatu model dan prosedur yang berkaitan, dalam suatu domain
tertentu, yang mana tingkat keahliannya dapat dibandingkan dengan keahlian seorang pakar
2
keahlian seorang pakar
• Giarratano & Riley : – Suatu sistem komputer yang bisa menyamai atau meniru kemampuan
seorang pakar
• E. Feigenbaum : – Sebuah program komputer cerdas yang menggunakan pengetahuan
dan prosedur inferensi untuk menyelesaikan masalah yang cukup sulit sehingga memerlukan kepakaran seseorang
-
Pengertian Sistem Pakar
• Membuat S/W Expert Systems � sebagai penasehat/konsultan pakar
• Tidak untuk menggantikan kedudukan seorang pakar ttp u/ memasyarakatkan pengetahuan & pengalamaan pakar tsb.
3
pengalamaan pakar tsb.
• Memungkinkan orang lain meningkatkan produktivitas, memperbaiki kualitas keputusan dll
• Dapat mengumpulkan dan penyimpan pengetahuan seorang/beberapa orang pakar ke dalam komp. � u/ semua orang yang memerlukan
-
4
-
5
-
6
-
Siapakah Pakar (Expert) ?
• Seorang pakar/ahli (human expert) adalahseorang individu yang memiliki kemampuan
pemahaman yang superior dari suatu
masalah.
7
masalah.
– Contoh: seorang dokter, penasehat keuangan,
pakar mesin mobil, dll.
-
Kepakaran (Expertise)
• Pemahaman yang luas dari tugas ataupengetahuan spesifik yang diperoleh dari
pelatihan, membaca dan pengalaman.
8
-
Kemampuan Kepakaran
• Dapat mengenali (recognizing) dan merumuskan
masalah
• Menyelesaikan masalah dengan cepat dan tepat
• Menjelaskan solusi
9
• Menjelaskan solusi
• Belajar dari pengalaman
• Restrukturisasi pengetahuan
• Menentukan relevansi/hubungan
• Memahami batas kemampuan
-
Bentuk Pengetahuan dalam
Kepakaran• Fakta-fakta
• Teori-teori dari permasalahan
• Aturan dan prosedur yang mengacu pada area permasalahan
• Aturan (heuristik) yang harus dikerjakan pada situasi
10
• Aturan (heuristik) yang harus dikerjakan pada situasiyang terjadi
• Strategi global untuk menyelesaikan berbagai jenismasalah
• Meta-knowledge (pengetahuan tentangpengetahuan)
-
Komponen Utama Sistem Pakar
User In
terface
Knowledge Base
Expertise
11
User In
terfaceInference Engine
Expertise
Facts / Information
-
Komponen Utama Sistem Pakar
• Knowledge base (Basis Pengetahuan)
– berisi semua fakta, ide, hubungan, aturan dari suatu
domain permasalahan
• Inference Engine (Motor inferensi )
12
– bertugas untuk menganalisis pengetahuan dan menarik
kesimpulan berdasarkan knowledge base dan aturan.
• User Interface
– Interaksi dengan user
– Membangun dan memelihara basis pengetahuan
(knowledge base)
-
Domain Sistem Pakar
Problem Domain
(Domain Masalah)
13
Knowledge Domain
(Domain Pengetahuan)
-
Konsep Umum Sistem Pakar
• knowledge acquisition– transfer knowledge dari manusia atau sumber lainnya ke
komputer
• knowledge representation– Penyimpanan dan pemrosesan pengetahuan dalam
14
– Penyimpanan dan pemrosesan pengetahuan dalam komputer
• inference – Mekanisme pengambilan kesimpulan dari pengetahuan
dalam komputer
• explanation– Menjelaskan kepada user apa dan bagaimana solusi yang
dihasilkan
-
Tahap Pengembangan Sistem
Pakar
• Proses pembuatan SP � knowledge engineering yg dilakukan oleh knowledge engineer. Selain itu domain expert dan end user.
• Tugas knowledge engineer adalah memilih S/W & H/W u/ pembuatan
Human Expert
Dialog
15
memilih S/W & H/W u/ pembuatan SP, membantu mengambil pengetahuan yg dibutuhkan dari pakar domain, serta implementasi pengetahuan pada basis pengetahuan yg benar & efisien
• Tugas pakar domain : menyediakan pengetahuan ttg bid problem yg dihadapi, memahami teknik-teknik pemecahan problema yg dipakai.
Knowledge
Engineer
Knowledge Base
Of Expert System
Explicit Knowledge
-
Pengembangan Teknologi
Sistem Pakar• Sangat dipengaruhi oleh pengetahuan kognitif
dan matematika
– Cara manusia memecahkan masalah
– Dasar formal, terutama logika dan inferensi
16
– Dasar formal, terutama logika dan inferensi
• Aturan produksi sebagai mekanisme representasi
– Tipe aturan IF … THEN
– Mirip dengan cara manusia memberi alasan
– Explanation facility
-
Rules and Humans
• Rules dapat digunakan untuk memformulasikan teori human information processing (Newell & Simon)
– rules disimpan dalam memori jangka panjang
– pengetahuan sementara diletakkan di memori jangka pendek
– input sensor atau berpikir memicu aktifasi dari aturan-
17
– input sensor atau berpikir memicu aktifasi dari aturan-aturan
– aturan yang telah diaktifkan mungkin memicu aktifasi berikutnya
– pengolah kognitif mengkombinasikan bukti-bukti dari aturan-aturan yang sedang diaktifkan
• Model ini adalah dasar dari desain sistem berbasis aturan (rule-based systems)
– disebut juga production systems
-
Perkembangan Teknologi SP
• MYCIN– Dirancang oleh Edward Feigenbaum (Universitas Stanford) th
’70 an SP medical yg dpt mendiagnosa infeksi bakteri & rekomendasi pengobatan antibiotik
• DENDRAL
18
• DENDRAL– - SP struktur molekular & kimia
• PROSPECTOR– Membantu ahli geologi yg mencari & menemukan biji deposit
(mineral& batu-batuan). Didesign oleh Sheffield Research Institute, akhir ‘70an
• XCON (R1)– SP konfigurasi sistem komputer dasar. Dikembangkan oleh
Digital Equipment Corporation (DEC) dan Carnegie Mellon Universitas (CMU), akhir ’70 an.Untuk sistem komputer DEC VAC 11 1780
-
Perkembangan Teknologi SP
• DELTA– Didesign & dikembangkan oleh General Electric Company
– SP personal maintenance dg mesin lokomotif listrik diesel.
• YESMVS– Didesign oleh IBM awal th ‘80an
19
– Didesign oleh IBM awal th ‘80an
– Membantu operator komputer & mengontrol sistem operasi MVS (multiple virtual storage)
• ACE– Didesign & dikembangkan oleh AT&T Bell Lab awal th
‘80an
– SP troubleshooting pd sistem kabel telpon
-
Kategori Problema SP
• Interpretasi – membuat kesimpulan atau deskripsi dari sekumpulan data mentah.
• Prediksi – memproyeksikan akibat-akibat yang dimungkinkan dari situasi-situasi tertentu
• Diagnosis – menentukan sebab malfungsi dalam
20
• Diagnosis – menentukan sebab malfungsi dalam situasi kompleks yang didsarkan pada gejala-gejala yang teramati
• Desain – menentukan konfigurasi komponen-komponen sistem yang cocok dengan tujuan-tujuan kinerja tertentu yang memnuhi kendala - kendala tertentu
• Perencanaan – merencanakan serangkaian tindakan yang akan dapat mencapai sejumlah tujuan dengan kondisi awal tertentu
-
Kategori Problema SP
• Debugging dan Repair – menentukan dan menginterpretasikan cara-cara untuk mengatasi malfungsi.
• Instruksi – mendeteksi dan mengoreksi defisiensi dalam pemahaman domain subyek
21
dalam pemahaman domain subyek
• Pengendalian – mengatur tingkah laku suatu environment yang kompleks
• Selection – mengidentifikasi pilihan terbaik dari sekumpulan (list) kemungkinan
• Simulation – pemodelan interaksi antara komponen-komponen sistem
• Monitoring – membandingkan hasil pengamatan dengan kondisi yang diharapkan
-
Kunci Sukses Sistem Pakar
• Meyakinkan gagasan
– Aturan-aturan, model-model kognitif
• Aplikasi-aplikasi praktis
– Obat-obatan, teknologi komputer, …
22
– Obat-obatan, teknologi komputer, …
• Pemisahan pengetahuan (knowledge) dan
kesimpulan (inference)
– expert system shell
• Memungkinkan penggunaan kembali ‘permesinan’ untuk
domain yang berbeda
• Konsentrasi pada domain pengetahuan
-
Kapan Menggunakan SP
• Sistem pakar tidak dapat diterapkan untuk semua tipe domain dan tugas
– Algoritma konvensional diketahui dan efisien
– Tantangan utama-nya adalah komputasi, bukan knowledge
23
– Tantangan utama-nya adalah komputasi, bukan knowledge
– knowledge tidak dapat diperoleh secara mudah
– user mungkin segan untuk menerapkan sistem pakar untuk tugas-tugas kritis
-
Aplikasi Sistem Pakar
24
-
25
-
Tools Sistem Pakar
• languages
– higher-level languages didesain khusus untuk
merepresentasikan knowledge dan alasan
– PROLOG, LISP, CLIPS, SAIL, KRL, KQML
26
– PROLOG, LISP, CLIPS, SAIL, KRL, KQML
• shells
– Sebuah tools dengan tujuan khusus didesain
untuk tipe aplikasi tertentu dimana user hanya
men-suplai basis pengetahuan.
-
Elemen Sistem Pakar
Knowledge Base
Use
r In
terf
ace
Knowledge
Acquisition
Facility
27
Inference Engine
Working Memory
Use
r In
terf
ace
Facility
Explanation
Facility
Agenda
-
Sistem Pakar Berbasis Aturan
(Rules)
• Pengetahuan dikodekan menjadi aturan IF …THEN
• Motor inferensi menentukan mana aturan yang terpenuhi lebih dahulu– sisi kiri harus cocok dengan fakta di dalam memori
28
– sisi kiri harus cocok dengan fakta di dalam memori kerja
• Aturan yang terpenuhi ditempatkan pada agenda
• Aturan pada agenda dapat diaktifasi– aturan yang teraktifasi mungkin menghasilkan
fakta-fakta baru melalui sisi kanan
– pengaktifan satu aturan bisa menyebabkan pengaktifan aturan yang lain
-
Contoh Aturan
IF … THEN Rules
Rule: Red_Light
IF the light is red
THEN stop
antecedent
(left-hand-side)
consequent
(right-hand-side)
29
THEN stop
Rule: Green_Light
IF the light is green
THEN go
(right-hand-side)
Production Rulesthe light is red ==> stop
the light is green ==> go
antecedent (left-hand-side)
consequent
(right-hand-side)
-
MYCIN Sample Rule
Human-Readable FormatIF the stain of the organism is gram negative
AND the morphology of the organism is rod
AND the aerobiocity of the organism is gram anaerobic
THEN the there is strongly suggestive evidence (0.8)
30
THEN the there is strongly suggestive evidence (0.8)
that the class of the organism is enterobacteriaceae
MYCIN FormatIF (AND (SAME CNTEXT GRAM GRAMNEG)
(SAME CNTEXT MORPH ROD)
(SAME CNTEXT AIR AEROBIC)
THEN (CONCLUDE CNTEXT CLASS ENTEROBACTERIACEAE
TALLY .8) [Durkin 94, p. 133]
-
Inference Engine Cycle
• conflict resolution
– Memilih rule dengan prioritas tertinggi dari agenda
• execution
– Menjalankan aksi pada consequent dari rule yang terpilih
31
– Menjalankan aksi pada consequent dari rule yang terpilih
– remove the rule from the agenda
• match
– update the agenda
• Menambah rules yang antecedents-nya sesuai dengan
agenda
• remove rules with non-satisfied agendasSiklus berhenti ketika tidak ada rules pada agenda atau ketika perintah berhenti ditemukan
-
Metode Aktifasi Rules
• Forward Chaining
• Backward Chaining
32
-
Forward Chaining
• forward chaining (data-driven)
– reasoning from facts to the conclusion
– as soon as facts are available, they are used to match antecedents of rules
33
match antecedents of rules
– a rule can be activated if all parts of the antecedent are satisfied
– often used for real-time expert systems in monitoring and control
– examples: CLIPS, OPS5
-
Backward Chaining
• backward chaining (query-driven)
– starting from a hypothesis (query), supporting
rules and facts are sought until all parts of the
antecedent of the hypothesis are satisfied
34
antecedent of the hypothesis are satisfied
– often used in diagnostic and consultation
systems
– examples: EMYCIN
-
Foundations of Expert Systems
Rule-Based Expert Systems
Knowledge BaseInference Engine
35
RulesPattern
MatchingFacts
Rete
Algorithm
Markov
Algorithm
Post
Production
Rules
Conflict
Resolution
Action
Execution
-
Post Production Systems
• Production rules (aturan produksi) digunakan oleh logikawan Emil L. Post pada awal tahun 40-an dalam logika simbolik
• Hasil teori Post– any system in mathematics or logic can be written as a
36
– any system in mathematics or logic can be written as a production system
• Prinsip dasar production rules– seperangkat aturan mengatur konversi dari satu set string
menjadi set string yang lain
• aturan ini juga dikenal sebagai aturan penulisan ulang
• simple syntactic string manipulation
• no understanding or interpretation is required
• also used to define grammars of languages
– e.g. BNF grammars of programming languages
-
Markov Algorithms
• in the 1950s, A. A. Markov introduced priorities as a control structure for production
systems
– rules with higher priorities are applied first
37
– rules with higher priorities are applied first
– allows more efficient execution of production
systems
– but still not efficient enough for expert systems
with large sets of rules
-
ES Problems
• limited knowledge
– “shallow” knowledge
• no “deep” understanding of the concepts and their
relationships
– no “common-sense” knowledge
38
– no “common-sense” knowledge
– no knowledge from possibly relevant related domains
– “closed world”
• the ES knows only what it has been explicitly “told”
• it doesn’t know what it doesn’t know
-
ES Problems
• mechanical reasoning
– may not have or select the most appropriate
method for a particular problem
– some “easy” problems are computationally very
39
– some “easy” problems are computationally very
expensive
• lack of trust
– users may not want to leave critical decisions to
machines
-
Summary
• expert systems or knowledge based systems are used to represent and process in a format that is suitable for computers but still understandable by humans
– If-Then rules are a popular format
• the main components of an expert system are
40
• the main components of an expert system are– knowledge base
– inference engine
• ES can be cheaper, faster, more accessible, and more reliable than humans
• ES have limited knowledge (especially “common-sense”), can be difficult and expensive to develop, and users may not trust them for critical decisions
-
DATA = INFORMASI ?
Data: Nilai/value yang turutmerepresentasikan deskripsi darisuatu objek atau kejadian (event)DATA
41
Informasi merupakan hasil dari pengolahan data dalam suatu bentuk yang lebih berguna dan lebih berarti bagi penerimanya, yang menggambarkan suatu kejadian-kejadian (event) yang nyata (fact) yang digunakan untuk pengambilan keputusan.
PENGOLAHAN
INFORMASI
-
Pengetahuan (Knowledge)
• pengalaman, pelatihan
INFORMASI
PENGOLAHAN
42
• pengalaman, pelatihanPENGOLAHAN
PENGETAHUAN
• Data + processing = information
• Information + processing (pengalaman, training, dll) = knowledge
-
Struktur Dasar SP
43
• Knowledge Base
• Working Memory
• Inference Engine
-
Knowledge Base
• Definisi : Bagian dari sistem pakar yang berisi
domain pengetahuan
• Berisi pengetahuan yang dibutuhkan untuk
memahami, merumuskan dan menyelesaikan
44
memahami, merumuskan dan menyelesaikan
masalah.
Terdiri dari 2 elemen dasar:
• Fakta, situasi masalah dan teori yang terkait
• Heuristik khusus atau rules, yang langsung
menggunakan pengetahuan untuk menyelesaikan
masalah khusus.
-
Working Memory
Definisi : bagian dari sistem pakar yang berisi
fakta-fakta masalah yang ditemukan dalam
suatu sesi
45
suatu sesi
• Berisi fakta-fakta tentang suatu masalah yangditemukan dalam proses konsultasi
-
Inference Engine
Definisi : Processor pada sistem pakar yangmencocokan fakta-fakta yang ada pada
working memori dengan domain pengetahuan
yang terdapat pada knowledge base, untuk
menarik kesimpulan dari masalah yang
46
menarik kesimpulan dari masalah yang
dihadapi.
• Proses berpikir pada manusia dimodelkandalam sistem pakar pada modul yang disebutInference Engine.
-
Kelebihan Sistem Pakar
• Availability
• Intelligent tutor
• Cost
• Intelligent dB
47
• Intelligent dB
• Danger-reduced
• Performance
• Multiple expertise
• Reliability
• Explanation
• Response-cepat
• Steady, unemotional and complete response
-
Struktur Detail SP
Terdiri atas 2 bagian :
• Development Environment (Lingkungan Pengembangan)
• Consultation Environment (Lingkungan
48
• Consultation Environment (Lingkungan Konsultasi)
-
Karakteristik Sistem Pakar
• High Performance
• Adequate response time
• Good reliability
49
• Good reliability
• Understanable
• Flexibility
-
Idenya :
• Sistem matematika & logika merupakan set aturan sederhana untuk menentukan
bagaimana mengubah 1 string simbol ke dlm
Post Production Systems
50
bagaimana mengubah 1 string simbol ke dlm
simbol lainnya.
• Yaitu dengan input string, kejadian sebelumnya
-
• Merupakan kelompok produksi yg terorder yang diterapkan untuk prioritas ke input string.
• Algoritma akan berakhir dg baik jika:– (1). Produksi terakhir tidak dapat diterapkan pada string
– (2). Suatu produksi yg berakhir dg periode diterapkan.
Algoritma Markov
51
– (2). Suatu produksi yg berakhir dg periode diterapkan.
• Jika input string GABKABSistem produksi AB � HIJ
Maka hasil akhir GHIJKHIJ
• Karakter ^ � string nol
• Mis A � ^ artinya menghilangkan seluruh kejadian karakter A dlm suatu string
-
• Karakter tunggal a,b,c,……
• Mis AxB � BxA artinya mengubah karakter A dan B
• Huruf Yunani α,β
• Contoh : Memindahkan huruf pertama string input
Algoritma Markov
52
• Contoh : Memindahkan huruf pertama string input
ke akhir
• Aturan 1. αxy � yαx
• 2. α � ^
• 3. ^ � α
• Input ABC
-
Aturan Sukses atau Gagal String
1 G ABC
Input ABC
Algoritma Markov
53
2 G ABC
3 S αABC
1 S BαAC
1 S BCαA
1 G BCαA
2 S BCA
-
• Pada algoritma Markov diterapkan aturan/baris prioritas lebih tinggi.
• Masalah timbul jika system mempunyai aturan/baris yang banyak, maka tidak akan efisien.
• Solusinya adalah algoritma Rete yang dikembangkan oleh Charles L.F di Carnegie-Mellon University (1979)
Algoritma Rete
54
Charles L.F di Carnegie-Mellon University (1979)
• Yaitu algoritma yg mengetahui tentang seluruh aturan/baris seluruh sistem dan dapat menerapkan suatu baris tanpa harus mencoba setiap baris tanpa berangkai (mencari perubahan dalam gabungan setiap cycle)
• Merupakan gabungan pola yang sangat cepat, yang mendapatkan kecepatannya dengan menyimpan informasi tentang baris dalam jaringan.
-
Referensi
• Artifial Intelligent, George F.Luger
• Artificial Intelligent, Sandi Setiawan
• Artificial Intelligent, Elaine Rich, Kevin Knight
• Expert System, Giarrantino/ Rilley
55
• Expert System, Giarrantino/ Rilley
• Peng.Sistem Pakar, Gunadarma