Tampilkan postingan dengan label Sistem Pakar. Tampilkan semua postingan
Tampilkan postingan dengan label Sistem Pakar. Tampilkan semua postingan

Selasa, 18 Oktober 2011

resume part 7

Fuzzy

Logika fuzzy yang pertama kali diperkenalkan oleh Lotfi A. Zadeh, Fuzzy secara bahasa diartikan sebagai kabur atau samar-samar ,memiliki derajat keanggotaan dalam rentang 0(nol) hingga 1(satu), berbeda dengan logika digital yang hanya memiliki dua nilai yaitu 1(satu) atau 0(nol). Logika fuzzy digunakan untuk menerjemahkan suatu besaran yang diekspresikan menggunakan bahasa (linguistic), misalkan besaran kecepatan laju kendaraan yang diekspresikan dengan pelan, agak cepat, cepat dan sangat cepat. Secara umum dalam sistem logika fuzzy terdapat empat buah elemen dasar, yaitu:

  1. Basis kaidah (rule base), yang berisi aturan-aturan secara linguistik yang bersumber dari para pakar; 
  2. Suatu mekanisme pengambilan keputusan (inference engine), yang memperagakan bagaimana para pakar mengambil suatu keputusan dengan menerapkan pengetahuan (knowledge); 
  3. Proses fuzzifikasi (fuzzification), yang mengubah besaran tegas (crisp) ke besaran fuzzy; 
  4. Proses defuzzifikasi (defuzzification), yang mengubah besaran fuzzy hasil dari inference engine, menjadi besaran tegas (crisp). 
Himpunan Fuzzy

Pada himpunan tegas(crisp), nilai keanggotan suatu item x dalam suatu himpunan A yang sering ditulis dengan μA[x], memiliki 2 kemungkinan yaitu:
•Satu(1), yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan, atau
•Nol(0), yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan
Contoh1:
Jikadiketahui:
S = [1, 2, 3, 4, 5, 6] adalah semesta pembicaraan
A = [1, 2, 3]
B = [3, 4, 5]
Maka dapat dikatakan:
��Nilai keanggotaan 2 pada himpunanA, μA[2] = 1, karena 2 єA
��Nilai keanggotaan 4 pada himpunanA, μA[4] = 0, karena 4
Contoh2 :
Misalkan varia beRumur dibagi 3 kategori, yaitu:
MUDA umur < 35 tahun
PAROBAYA 35 ≤ umur≤55thn
TUA umur > 55 tahun

Maka dengan himpunan crisp disimpulkan:
•Apabila seseorang tidak berusia 34 tahun, maka ia dikatakan MUDA (μMUDA [34] = 1)
•Apabila seseorang berusia 35 tahun, maka ia dikatakan TIDAK MUDA (μMUDA [35] = 0)
Jika pada himpunan crisp, nilai keanggotaan hanya ada 2 kemungkinan yaitu 0 dan 1, maka pada himpunan fuzzy nilai keanggotaan terletak pada rentang 0 sampai 1

•Himpunan fuzzy memiliki 2 atribut:
a.Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaan atau kondisi tertentu dengan menggunakan bahasa alami, seperti: MUDA, PAROBAYA, TUA
b.Numeris, yaitu suatu nilai(angka) yang menunjukan ukuran dari suatu variabel seperti: 40, 25, 35

•Hal-halyang terdapat pada sistem fuzzy :
a.Variabel Fuzzy, merupakan variabel yang hendak dibahas dalam suatu sistem fuzzy, seperti umur, temperatur, dsb
b.Himpunan Fuzzy, merupakan suatu grup yang mewakili suatu kondisi atau keadaan tertentu dalam suatu variabel fuzzy
c.Semesta Pembicaraan, adalah keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel fuzzy
d.Domain, adalahkeseluruhannilaiyang diijinkan dalam semesta pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy.

Fuzzy Membership
Jika X adalah suatu kumpulan obyek-obyek dan x adalah elemen dari X. Maka himpunan fuzzy A yang memiliki domain X didefinisikan sebagai:

dimana nilai

berada dalam rentang 0 hingga 1.
Terdapat dua cara yang lazim dalam merepresentasikan himpunan fuzzy, yang dapat dilihat pada Gambar 1, yaitu :
1. , jika X adalah merupakan koleksi objek diskrit.
2. , jika X adalah merupakan koleksi objek kontinyu.

                              (a)                                                          (b)


Gambar 1. Fungsi keanggotaan dengan semesta pembicaraan, (a).diskrit, (b).kontinyu.

Fuzzy Membership Operation
Seperti pada himpunan klasik, himpunan fuzzy juga memiliki operasi himpunan yang sama yaitu gabungan (union), irisan (intersection) dan komplemen. Sebelumnya akan didefinisikan dulu mengenai himpunan bagian yang memiliki peranan penting dalam himpunan fuzzy.

Union (Gabungan) 
Gabungan dari dua buah himpunan fuzzy A dan B adalah himpunan fuzzy C ditulis sebagai
atau 
memiliki fungsi keanggotaan yang berhubungan dengan A dan B yang didefinisikan sebagai berikut:


dengan adalah operator biner untuk fungsi S dan biasa disebut sebagai operator T-conorm atau S-norm, yang memiliki sifat-sifat sebagai berikut:

S(1,1) = 1, S(0,a) = S(a,0) = a             (boundary);
S(a,b)S(c,d) jika a  c dan b  d     (monotonicity);
S(a,b) = S(b,a)                                     (commutativity);
S(a,S(b,c)) = S(S(a,b),c)                      (associativity).

Intersection (Irisan) 
Irisan dari dua buah himpunan fuzzy A dan B adalah himpunan fuzzy C dituliskan sebagai
 atau 
memiliki fungsi keanggotaan yang berhubungan dengan A dan B yang didefinisikan sebagai berikut:
;

        , (3)
dengan adalah operator bineri untuk fungsi T, yang biasa disebut sebagai operator T-norm, yang memiliki sifat-sifat sebagai berikut:

T(0,0) = 0, T(a,1) = T(1,a) = a             (boundary);
T(a,b) T(c,d) jika a  c dan b  d     (monotonicity);
T(a,b) = T(b,a)                                      (commutativity);
T(a,T(b,c)) = T(T(a,b),c)                        (associativity).

Fuzzy Set Membership Function
Fungsi-fungsi keanggotaan fuzzy terparameterisasi satu dimensi yang umum digunakan diantaranya adalah:
1. Fungsi keanggotaan segitiga, disifati oleh parameter{a,b,c} yang didefinisikan sebagai berikut:
 (4)
bentuk yang lain dari persamaan di atas adalah
 (5)
parameter {a,b,c} (dengan a<b<c) yang menentukan koordinat x dari ketiga sudut segitiga tersebut, seperti terlihat pada Gambar 2(a).

2. Fungsi keanggotaan trapesium, disifati oleh parameter{a,b,c,d} yang didefinisikan sebagai berikut:
 (6)
parameter {a,b,c,d} (dengan a<b<c<d) yang menentukan koordinat x dari keempat sudut trapesium tersebut, seperti terlihat pada Gambar 2(b).

3. Fungsi keanggotaan Gaussian, disifati oleh parameter {c,s} yang didefinisikan sebagai berikut:
 (7)

Fungsi keanggotaan Gauss ditentukan oleh parameter c dan s yang menunjukan titik tengah dan lebar fungsi, seperti terlihat pada Gambar 2(c) .
Gambar 2. Kurva fungsi keanggotaan, (a).segitiga(x;20,50.80), (b).trapesium (x;10,30,70,90), (c).gaussian(x;50,15), (d).bell(x;10,2,50), (e).sigmoid (x;0.2,50) dan (f).sigmoid(x;-0.2,50).

4. Fungsi keanggotaan generalized bell, disifati oleh parameter {a,b,c} yang didefinisikan sebagai berikut:
 (8)
parameter b selalu positif, supaya kurva menghadap kebawah, seperti terlihat pada Gambar 2(d).

5. Fungsi keanggotaan sigmoid, disifati oleh parameter {a,c} yang didefinisikan sebagai berikut:
(9)
parameter a digunakan untuk menentukan kemiringan kurva pada saat x = c. Polaritas dari a akan menentukan kurva itu kanan atau kiri terbuka, seperti terlihat pada Gambar 2.(d) dan 2.(e).


Referensi

Jang, J.S.R., Sun, C.T., Mizutani,E., (1997), Neuro-Fuzzy and Soft Computing, Prentice-Hall International, New Jersey.



Sabtu, 15 Oktober 2011

Resume part 4-5



Membangun KBS denganSistem Berbasis Aturan

Kali ini membahas langkah demi langkah membangun sebuah knowledge-based system KBS) dengan menggunakan sistem b erbasis aturan yangtelah dibahas dalam Bab. 3. Sebagai contoh permasalahan akan diambil kasus pada Health Maintenance Organization (HMO) seperti didokumen-tasikan dalam Dologite(1994). HMO adalah sebuah organisasi yang memb erikan layanan kesehatan bagi anggotanya, misalnya layanan p engobatan, layanan panggilan ambulan dsb. Setiap anggota telah membayar semua biaya secara pre-paid. Untuk menjamin bahwa masalah kesehatan serius akan mendapatkan prioritas layanan, seorang mana jer telah menempatkan seseorang untuk  melakukan screening awal terhadap pasien. Screening dilakukan dengan cara berkonsultasi dengan Sistem Pakar untuk menentukan status dan jenis layanan yang tepat bagi pasien.

Langkah-langkah Membangun KBS
LANGKAH 1: Isolasi area bagi KBS
Untuk membatasi p ermasalahan pada sistem pakar yang akan diban-gun harus dib erikan batasan organisasi dan juga layanan yang dapat diberikan oleh sistem. Sebagai contoh, untuk sistem HMO, batasan struktur organisasi dan layanan ditunjukkan dalam Gambar 4.1

LANGKAH 2: Target Keputusan
Setelah permasalahn dibatsi, langkah selanjutnya adalah menentukan target keputusan bagi sistem pakar. Pasien pada umumnya membu-tuhkan bantuan untuk kasus penyakit yang baru diderita (new case) atau p enanganan berkelanjutan dari penyakit yang sudah lama diderita (follow-up case). Atau mungkin juga pasien yang lain hanya membu-tuhkan informasi atau layanan lain, sedangkan mereka yang bukan meru-pakan anggota akan diarahkan untuk ikut serta dalam keanggotaan HMO ini. 
Karena itu dapat ditentukan 3 hal yang menjadi faktor utama yang menentukan target keputusan (Lihat Gambar 4.2), yaitu:

• HMO status: Bagaimana status keanggotaan dari pasien? Deklarasi keanggotaan dari pasien akan diikuti dengan validasi nomor id.
• Reason: Apa alasan datang ke HMO? Apakah new case, follow-up case, information seeking atau other visit?


Blok diagram organisasi dan layanan HMO



• Problem: Bagaimana keseriusan dari kondisi pasien sekarang? Dalam hal ini dapat diidentikasi dari temperature dan symptom yang lain.

LANGKAH 3: Membuat Dependency Diagram (Diagram Ketergantungan)
Dependency Diagram dibuat seperti ditunjukkan dalam Gambar 4.3.

LANGKAH 4: Membuat Tab el Keputusan
Tabel keputusan diturunkan dari dependency diagram pada Gambar 4.3. Karena dalam gambar tersebut terdapat tiga segitiga, maka akan terdapat 3 tabel keputusan. Tab el keputusan untuk Set 1 (Rule 1-5) adalah sebagai berikut:


Blok diagram target keputusan HMO






LANGKAH 5: Menulis IF-THEN Rule
Selanjutnya, berdasarkan tabel keputusan yang telah direduksi dapat diturunkan sistem berbasis aturan seperti ditunjukkan di bawah ini:



Resume part 3


TEKNIK INFERENSI

Inferensi merupakan suatu proses untuk menghasilkan informasi  dari  fakta  yang  diketahui.  Inferensi  adalah  konklusi  logis  atau  implikasi berdasarkan informasi yang tersedia. Dalam sistem pakar,  proses inferensi dialakukan dalam suatu modul yang disebut inference  engine. Ketika representasi pengetahaun pada bagian knowledge base  telah lengkap, atau paling tidak telah berada pada level yang cukup  akurat, maka representasi pengetahuan tersebut telah siap digunakan. 

Metode Reasoning
1.      Deductive Reasoning
Kita menggunakan reasoning deduktif untuk mendeduksi informasi baru dari hubungan logika pada informasi yang telah diketahui.
Contoh:
Implikasi : Saya akan basah kuyup jika berdiri ditengah-tengah hujan deras
Aksioma : Saya berdiri ditengah-tengah hujan deras
Konklusi : Saya akan basah kuyup
IF A is True AND IF A IMPLIES B is True, Then B is True

2.      Inductive Reasoning
Kita menggunakan reasoning induktif untuk mengambil kesimpulan umum dari sejumlah fakta khusus tertentu.
Contoh:
Premis : Monyet di Kebun Binatang Ragunan makan pisang
Premis : Monyet di Kebun Raya Bogor makan pisang
Konklusi : Semua monyet makan pisang

3.      Abductive Reasoning
      Merupakan bentuk dari proses deduksi yang mengijinkan inferensi plausible.
Plausible berarti bahwa konklusi mungkin bisa mengikuti           informasi yang tersedia, tetapi juga bisa salah.
Contoh:
Implikasi : Tanah menjadi basah jika terjadi hujan
Aksioma : Tanah menjadi basah
Konklusi : Apakah terjadi hujan?
IF B is True AND A implies B is true, Then A is True?

4.      Analogical Reasoning
      Kita mengunakan pemodelan analogi untuk membantu kita memahami situasi baru atau objek baru.
Kita menggambar analogi antara 2 objek/situasi, kemudian melihat persamaan dan perbedaan untuk memandu proses reasoning.

5.      Common Sense Reasoning
Modus Ponen
Definisi: Rule dari logika yang menyatakan bahwa jika kita tahu A adalah benar dan A implies B adalah juga benar, maka kita dapat mengasumsikan bahwa B benar.


Inference  engine  merupakan  modul  yang  berisi  program  tentang  bagaimana mengendalikan proses reasoning.  Ada dua metode inferensi yang penting dalam sistem pakar,  yaitu  runut  maju  (forward  chaining)  dan  runut  balik  (backward  chaining) adalah
-          Forward Chaining (data driven):
-          kesimpulan dihasilkan dari seperangkat data yang diketahui.
-          Merupakan grup dari multipel inferensi yang melakukan pencarian dari suatu masalah kepada solusinya.
-          Jika klausa premis sesuai dengan situasi (bernilai TRUE), maka proses akan meng-assert konklusi
-          Forward Chaining adalah data driven karena inferensi dimulai  dengan informasi yg tersedia dan baru konklusi diperoleh
-          Beberapa Sifat forward chaining:
-          Good for monitoring, planning, and control
-          Looks from present to future.
-          Works from antecedent to consequent.
-          Is data-driven, bottom-up reasoning.
-          Works forward to find what solutions follow from the facts.
-          It facilitates a breadth-first search.
-          The antecedents determine the search.
-          It does not facilitate explanation.
-          Jika suatu aplikasi menghasilkan tree yang lebar dan tidak dalam, maka gunakan forward chaining

-           Backward Chaining (goal driven):
-          memilih beberapa kesimpulan yang mungkin dan mencoba membuktikan kesimpulan tersebut dari bukti-bukti yang ada.
-          Pendekatan goal-driven, dimulai dari ekspektasi apa yang diinginkan terjadi (hipotesis), kemudian mengecek pada sebab-sebab yang mendukung (ataupun kontradiktif) dari ekspektasi tersebut.
-          Jika suatu aplikasi menghasilkan tree yang sempit dan cukup dalam, maka gunakan backward chaining.
-          Beberapa sifat dari backward chaining:
§  Good for Diagnosis.
§  Looks from present to past.
§  Works from consequent to antecedent.
§  Is goal-driven, top-down reasoning.
§  Works backward to find facts that support the hypothesis.
§  It facilitates a depth-first search.
§  The consequents determine the search.
§  It does facilitate explanation.


Kamis, 22 September 2011

Resume pert 2

Sistem Pakar =)


Sistem berbasis aturan (rule-based system) adalah sebuah program yang menggunakan aturan IF-THEN. Model ini berbeda dengan pemrograman konvensional, misalnya rule tidak harus berada pada urutan tertentu. Seperti halnya AI, sistem berbasis aturan memiliki kekuatan serta keterbatasan yang harus dipertimbangkan sebelum memutuskan apakah itu teknik yang tepat digunakan untuk suatu masalah. Sistem ini memeriksa semua kondisi aturan (IF) dan menentukan subset, set konflik, aturan kondisinya didasarkan pada memori kerja.

Contoh dari sistem berbasis aturan adalah sbb:

IF Sabtu OR Minggu THEN Nonton bioskop
IF NOT (Sabtu OR Minggu) THEN Bekerja

Rebuah Rule-Based System dapat dibentuk dengan menggunakan sebuah assertions set, yang secara kolektif membentuk working memory, dan sebuah rule set yang menentukan aksi pada assertions set.  RBS secara relatif adalah model sederhana yang bisa diadaptasi ke banyak masalah. Namun, jika ada terlalu banyak peraturan, pemeliharaan sistem akan rumit dan terdapat banyak failure dalam kerjanya.


Gambar arsitektur Rule Based System

Untuk mengelola rules , terdapat 2 pendekatan yaitu :
  1. Forward Chaining, dimana rules diproses berdasarkan sejumlah fakta yang ada, dan didapatkan konklusi sesuai dengan fakta-fakta tersebut. Pendekatan forward chaining disebut juga data driven.
  2. Backward Chaining, dimana diberikan target (goal), kemudian rules yang aksinya mengandung goal di-trigger. Backward chaining ini cocok untuk menelusuri fakta yang masih belum lengkap, disebut juga goal driven.



A. Manfaat sistem berbasis aturan (rule-based system) :
1. Kedokteran
Dengan adanya sistem berbasis aturan untuk mendiagnosa penyakit jantung berbasis web ini dapat membantu masyarakat luas dalam mencari informasi, konsultasi ataupun pengobatan penyakit secara jelas, cepat, dan tepat tanpa harus pergi ke RS atau datang ke Klimik.

2. Musik
Dengan adanya sistem berbasis aturan untuk pemilihan gitar elektrik maka pembeli dapat lebih mudah untuk memutuskan akan membeli gitar yang sesuai dengan kebutuhan mereka dan menghindari penipuan oleh pihak toko.

3. Pertanian
Dengan adanya sistem berbasis aturan untuk mendiagnosa penyakit tanaman padi maka sistem dapat dijadikan asisten pandai di bidangnya sebagai sumber pengetahuan oleh user.


Kelebihan sistem berbasis aturan (rule-based system)

1) Availability-bertambah
2) Intelligent tutor
3) Intelligent dB
4) Danger-reduced
5) Performance
6) Multiple expertise
7) Reability-bertambah
8) Explanation
9) Steady, unemotional and complete response

Kekurangan sistem berbasis aturan (rule-based system)
1) Jika terlalu banyak aturan, sistem menjadi sulit dalam me-maintain performance.
2) Keterbatasan dalam memutuskan teknik yang digunakan untuk suatu masalah.




B. Pemanfaatan dalam kehidupan sehari-hari
Pengelolaan rules diatas dapat dijadikan pendekatan solusi dalam permasalahan yang ada di lingkungan sekitar kita. Contohnya dibidang pertanian, yaitu pada kasus penyakit tanaman padi [4]. Terserangnya tanaman padi oleh penyakit atau hama, menyebabkan sering terjadi kegagalan panen. Sebenarnya hal ini dapat diketahui melalui gejala-gejala yang muncul, sehingga kegagalan panen dapat dicegah. Namun, dibutuhkan ahli pertanian untuk memahami gejala-gejala dari serangan penyakit/hama tersebut. Melalui pembangunan sistem pakar yang dirancang sedemikian rupa, sehingga dapat mengadopsi perkembangan penyakit penalaran yang digunakan berbasis aturan (Rule-Based Reasioning) dengan metode inferensi forward chaining dan  backward chaining.



Tabel Basis Pengetahuan Sistem Pakar Tanaman Padi
Permasalahan lainnya yaitu di bidang kesehatan pada Identifikasi Infeksi Saluran Pernafasan Akut[5]. Pembuatan sistem berbasis aturan yang berbasis dekstop yang dapat digunakan sebagai media konsultasi agar dapat mengetahui jenis obat atau ramuan tradisional yang dapat digunakan untuk mengobati penyakit saluran pernapasan.



Tampilan antarmuka Konsultasi Infeksi Saluran Pernfasan Akut
Masih banyak lagi pemanfaatan sistem pakar untuk membantu kita dalam permasalahan di lingkungan sekitar.

referensi,,

Ignizio, James P., 1991, Introduction to Expert Systems: The Development and Implementation of Rule-Based Expert System, McGraw-Hill, Singapore.[1]
Irawan, Jusak, 2007, Buku Pegangan Kuliah Sistem Pakar, STIKOM, Surabaya. [2]
Laporan TA Muara PascaSidang - final.pdf, http://digilib.itb.ac.id/files/disk1/599/jbptitbpp-gdl-muaraparli-29913-3-2008ta-2.pdf [3]
Sistem Pakar Diagnosa Penyakit Tanaman Padi Berbasis Web dengan Forward dan Backward Chaining, http://telkomnika.ee.uad.ac.id/n9/files/Vol.7No.3Des09/7.3.12.09.07.pdf [4]
Rancang Bangun Sistem Berbasis Aturan untuk Identifikasi Infeksi Saluran Pernafasan Akut,http://ppta.stikom.edu/upload/upload/file/06410100048makalah%20Era%20Safitri_06.41010.0048.pdf [5]


resume part 1

Sistem Pakar

Sistem pakar Menurut Marimin (1992), yaitu sistem perangkat lunak komputer yang menggunakan ilmu, fakta, dan teknik berpikir dalam pengambilan keputusan untuk menyelesaikan masalah-masalah yang biasanya hanya dapat diselesaikan oleh tenaga ahli dalam bidang yang bersangkutan.


Sistem pakar adalah suatu program komputer yang mengandung pengetahuan dari satu atau lebih pakar manusia mengenai suatu bidang spesifik. Jenis program ini pertama kali dikembangkan oleh periset kecerdasan buatan pada dasawarsa 1960-an dan 1970-an dan diterapkan secara komersial selama 1980-an. Bentuk umum sistem pakar adalah suatu program yang dibuat berdasarkan suatu set aturan yang menganalisis informasi (biasanya diberikan oleh pengguna suatu sistem) mengenai suatu kelas masalah spesifik serta analisis matematis dari masalah tersebut. Tergantung dari desainnya, sistem pakar juga mampu merekomendasikan suatu rangkaian tindakan pengguna untuk dapat menerapkan koreksi. Sistem ini memanfaatkan kapabilitas penalaran untuk mencapai suatu simpulan

Contohnya :
-          Sistem Pakar Untuk Diagnosis Penyakit jantung
-          Sistem pakar untuk mengetahui kerusakan hp blacberry 8520
-          Sistem pakar Untuk Diagnosis Penyakit Hepatitis
-          Dll

“Konsep Dasar Sistem Pakar” mencakup beberapa persoalan mendasar, antara lain siapa yang disebut pakar, apa yang dimaksud dengan keahlian, bagaimana keahlian dapat ditransfer, dan bagaimana sistem bekerja.

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.

Biasanya pakar manusia mampu melakukan hal berikut :Mengenali dan merumuskan persoalan, Memecahkan persoalan dengan cepat dan tepat, Menjelaskan solusi tersebut, Belajar dari pengalaman, Menyusun ulang pengetahuan, Membagi-bagi aturan jika diperlukan, Menetapkan relevansi Keahlian adalah pengetahuan ekstensif yang spesifik terhadap tugas yang dimiliki pakar.

Keahlian sering dicapai dari pelatihan, membaca, dan mempraktikkan. Keahlian mencakup pengetahuan eksplisit, misalnya teori yang dipelajari dari buku teks atau kelas, dan pengetahuan implisit yang diperoleh dari pengalaman. Pengembangan sistem pakar dibagi menjadi dua generasi. Kebanyakan sistem pakar generasi pertama menggunakan aturan jika-maka untuk merepresentasikan dan menyimpan pengetahuannya. Sistem pakar generasi kedua jauh lebih fleksibel dalam mengadopsi banyak representasi pengetahuan dan metode pertimbangan. 

Pengalihan keahlian dari para ahli ke media elektronik seperti komputer untuk kemudian dialihkan lagi pada orang yang bukan ahli, merupakan tujuan utama dari sistem pakar. Proses ini membutuhkan 4 aktivitas yaitu: tambahan pengetahuan (dari para ahli atau sumber-sumber lainnya), representasi pengetahuan (ke komputer), inferensi pengetahuan, dan pengalihan pengetahuan ke user. Pengetahuan yang disimpan di komputer disebut sebagai basis pengetahuan, yaitu: fakta dan prosedur (biasanya berupa aturan). Salah satu fitur yang harus dimiliki oleh sistem pakar adalah kemampuan untuk menalar. Jika keahlian-keahlian sudah tersimpan sebagai basis pengetahuan dan tersedia program yang mampu mengakses basis data, maka komputer harus dapat diprogram untuk membuat inferensi. Proses inferensi ini dikemas dalam bentuk motor inferensi (inference engine). Dan setiap sub sistem mempunyai sifat dari sistem untuk menjalankan suatu fungsi sistem tertentu dan mempengaruhi proses sistem secara keseluruhan.

Terdapat beberapa alasan bagi suatu perusahaan untuk mengadopsi sistem pakar. Pertama, pakar di suatu perusahaan/instansi bisa pensiun, keluar, atau telah meninggal. Kedua, pengetahuan perlu didokumentasikan atau dianalisis. Ketiga, pendidikan dan pelatihan adalah hal penting tetapi merupakan tugas yang sulit. Sistem pakar memungkinkan pengetahuan ditransfer lebih mudah dengan biaya lebih rendah.

Sejarah Sistem Pakar
  1. 1943-> Post E.L. membuktikan bahwa permasalahan-permasalahan kom-putasi dapat diselesaikan dengan aturan IF-THEN.
  2. 1961-> General Problem Solver (GPS) oleh A. Newell and H. Simon. Adalah sebuah program yang dibangun untuk menyelesaikan per-masalahan mulai dari games sampai matematika integral.
  3. 1969-> DENDRAL. Dibangun di Stamford University atas permintaanNASA (Buchanan and Feigenbaum) untuk melakukan analisis kimi-awi terhadap kondisi tanah di planet Mars.
  4. 1970s -> MCYN. Dibuat untuk diagnosa medis oleh Buchanan dan Short-liffe.
  5. 1982 -> R1/XCON adalah sistem pakar pertama yang dibuat oleh parapeneliti di Carnegie Melon University (CMU).
Sistem Berbasis Aturan
Sistem berbasis aturan (rule-based system) adalah sebuah program yang menggunakan aturan IF-THEN. Model ini berbeda dengan pemrogra-man konvensional, misalnya rule tidak harus berada pada urutan ter-tentu. Contoh dari sistem berbasis aturan adalah sbb:
  • IF Sabtu OR Minggu THEN Nonton bioskop
  • IF NOT (Sabtu OR Minggu) THEN Bekerja
  • IF Nonton bioskop THEN Pergi keluar
  • IF Bekerja THEN Pergi keluar
  • IF NOT ( Bisa pergi keluar) THEN Tiggal di rumah
  • IF Cuaca baik THEN Bisa pergi keluar
  • IF Hujan THEN Bawa Payung
  • IF Hujan AND Bawa Payung THEN Bisa pergi keluar


Struktur Sistem Pakar
Komponen utama pada struktur sistem pakar (Hu et al, 1987) meliputi:
  1. Basis Pengetahuan (Knowledge Base)
  2. Mesin Inferensi (Inference Engine)
  3. Basis Data (Database)
  4. Antarmuka Pemakai (User Interface)
Teknik Representasi Pengetahuan
Representasi pengetahuan adalah suatu teknik untuk merepresentasikan basis pengetahuan yang diperoleh ke dalam suatu skema/diagram tertentu sehingga dapat diketahui relasi/keterhubungan antara suatu data dengan data yang lain. Teknik ini membantu knowledge engineer dalam memahami struktur pengetahuan yang akan dibuat sistem pakarnya.


Metode Pencarian Heuristik
1. Generate and Test (Pembangkit dan Pengujian)
Pengabungan antara depth first search dengan pelacakan mundur (backtracking) Nilai Pengujian berupa jawaban ‘ya’ atau ‘tidak’Jika pembangkit possible solution dikerjakan secara sistimatis, maka prosedur akan mencari solusinya, jika ada
2. Hill Climbing (Pendakian Bukit)
Hampir sama Generate and Test, perbedaan terjadi pada feedback dari prosedur test untuk pembangkitan keadaan berikutnya.Tes yang berupa fungsi heuristik akan menunjukkan seberapa baik nilai terkaan yang diambil terhadap keadaan lain yang mungkin
3. Best First Search (Pencarian Terbaik Pertama)
Metode yang membangkitkan suksesor dengan mempertimbangkan harga (didapat dari fungsi heuristik tertentu) dari setiap node Kombinasi dari BFS dan DFS Pencarian dilakukan dengan melihat satu lintasan, dan memungkinkan untuk berpindah ke lintasan lain.
4. Simulated Annealing
SA memanfaatkan analogi antara cara pendinginan dan pembekuan metal menjadisebuah struktur crystal dengan energi yang minimal (proses penguatan) dan proses pencarian untuk state tujuan minimal 
SA lebih banyak menjadi jebakan pada local minimal.


Sistem Informasi adalah aplikasi komputer untuk mendukung operasi dari suatu organisasi: operasi, instalasi, dan perawatan komputer, perangkat lunak, dan data. Sistem Informasi Manajemen adalah kunci dari bidang yang menekankan finansial dan personal manajemen. Sistem Informasi Penjualan adalah suatu sistem informasi yang mengorganisasikan serangkaian prosedur dan metode yang dirancang untuk menghasilkan, menganalisa, menyebarkan dan memperoleh informasi guna mendukung pengambilan keputusan mengenai penjualan.

Referensi: 


<> alert("Assalamualaikum ......... ((^_^))");