Sistem berbasis pengetahuan

IF1526Sistem Berbasis Pengetahuan (Knowledge-Based System) Disusun Oleh: Irfan Subakti Jurusan Teknik Informatika Fakultas Teknologi InformasiInstitut Teknologi Sepuluh Nopember Surabaya 2002

KATA PENGANTAR Kuliah Sistem Berbasis Pengetahuan di Jurusan Teknik Informatika, Fakultas TeknologiInformasi, Institut Teknologi Sepuluh Nopember (ITS), ini diberikan sebagai salah satu Mata KuliahPilihan yang termasuk dalam bidang minat Sistem Informasi yang memiliki bobot 3 SKS (SatuanKredit Semester). Tujuan yang ingin didapat dari Mata Kuliah ini adalah untuk merancang/menerapkanSistem Berbasis Pengetahuan dengan merangkai tiga komponen pokok: inference engine, basisdata, dan production rules. Materi yang dibahas adalah: Sistem-sistem yang ada dalam Management Support System(MSS), penggunaan kecerdasan buatan, Sistem Pakar, akuisisi dan validasi pengetahuan, SistemPakar Berbasis Pengetahuan, dan Algoritma Genetika. Tak ada gading yang tak retak, demikian jugalah dalam penyusunan Buku Panduan ini.Kami mohon maaf bila ada kekurangan. Semoga Tuhan Yang Maha Pengasih memberikan segalakurnia-Nya kepada kita dalam segenap langkah-langkah kita ini. Amiin. Penyusun irfan@its-sby.edu ii Sistem Berbasis Pengetahuan – Irfan Subakti

DAFTAR ISI HalamanKATA PENGANTAR ................................................................................................................iiDAFTAR ISI ......................................................................................................................... iiiTUJUAN INSTRUKSIONAL UMUM........................................................................................... viMATERI ............................................................................................................................ viPRASYARAT MATA KULIAH ................................................................................................... viBAB 1 MANAGEMENT SUPPORT SYSTEM (MSS).................................................................. 1 1.1. Manajer dan Dukungan Komputer............................................................................ 1 1.2. Managerial Decision Making & Management Information Systems (MIS)...................... 1 1.3. Kerangka Kerja Decision Support (DS). .................................................................... 1 1.4. Decision Support Systems (DSS).............................................................................. 2 1.5. Group Support Systems (GSS). ................................................................................ 2 1.6. Executive Information (atau Support) Systems (EIS atau ESS). .................................. 3 1.7. Expert Systems (ES). .............................................................................................. 3 1.8. Neural Computing (Artificial Neural Network). ........................................................... 3 1.9. Evolusi dari Alat Pengambil Keputusan Terkomputerisasi............................................ 3 1.10. Pelbagai Perbedaan diantara MIS dan DSS. .............................................................. 5 1.11. Hubungan antara Decision Support-Expert System. ................................................... 5 1.12. Dukungan dari Pengambilan Keputusan.................................................................... 6 1.13. Hybrid Support Systems.......................................................................................... 7 1.14. Computer-Based Information Systems di Departemen Personalia................................ 7 1.15. Kesimpulan. ........................................................................................................... 8BAB 2 PENGGUNAAN ARTIFICIAL INTELLIGENCE (AI) ........................................................ 9 2.1. Definisi. ................................................................................................................. 9 3 tujuan yang diinginkan AI: ............................................................................................. 9 Beberapa kemampuan yang merupakan tanda dari kecerdasan:........................................... 9 Symbolic Processing. ........................................................................................................ 9 Heuristics. ......................................................................................................................10 Inferencing.....................................................................................................................10 Pengenalan Pola. ............................................................................................................10 2.2. AI Dibandingkan dengan Natural Intelligence...........................................................10 2.3. Knowledge pada AI. ..............................................................................................10 Data. ...........................................................................................................................10 Information. ...................................................................................................................10 Knowledge. ....................................................................................................................10 Penggunaan Knowledge...................................................................................................11 Basis-basis pengetahuan dan organisasi berbasis pengetahuan. ..........................................11 2.4. Bagaimana AI Berbeda dengan Komputasi Konvensional...........................................11 2.5. Bidang AI. ............................................................................................................12 Expert System. ...............................................................................................................13 Natural Language Processing. ..........................................................................................14 2.6. Kesimpulan. ..........................................................................................................14BAB 3 EXPERT SYSTEM ...................................................................................................15 3.1. Konsep Dasar ES. ..................................................................................................15 Expertise/Kepakaran........................................................................................................15 Expert/Pakar...................................................................................................................15 Fakta mengenai Kepakaran. .............................................................................................15 Inferencing.....................................................................................................................16 Rules. ...........................................................................................................................16 Kemampuan Menjelaskan. ...............................................................................................16 3.2. Struktur ES. ..........................................................................................................17 Inference Engine.............................................................................................................17 Explanation Subsystem (Justifier). ....................................................................................17 Knowledge Refining System. ............................................................................................18 3.3. Elemen Manusia dalam ES......................................................................................18 3.4. Bagaimana ES Dibangun. .......................................................................................18 3.5. Bidang Permasalahan yang Ditangani ES. ................................................................18 3.6. Keuntungan ES .....................................................................................................18 3.7. Permasalahan dan Keterbatasan ES. .......................................................................19 iii Sistem Berbasis Pengetahuan – Irfan Subakti

3.8. Jenis ES................................................................................................................19 3.9. Pengembangan ES. ...............................................................................................20 3.10. Kesimpulan. ..........................................................................................................25BAB 4 AKUISISI DAN VALIDASI KNOWLEDGE ...................................................................27 4.1. Rekayasa Knowledge. ............................................................................................27 Proses Rekayasa Knowledge. ...........................................................................................27 4.2. Skup Knowledge....................................................................................................27 Sumber Knowledge. ........................................................................................................27 Akuisisi dari Database......................................................................................................28 Level Knowledge. ............................................................................................................28 Kategori Knowledge. .......................................................................................................28 4.3. Kesulitan dalam Akuisisi Knowledge. .......................................................................28 Masalah-masalah dalam transfer knowledge. .....................................................................28 Mengatasi Pelbagai Kesulitan. ..........................................................................................29 Ketrampilan yang dibutuhkan oleh Knowledge Engineer: ....................................................29 4.4. Metode Akuisisi Knowledge: Pendahuluan................................................................29 4.5. Wawancara...........................................................................................................30 Wawancara Tak Terstruktur. ............................................................................................30 Wawancara Terstruktur. ..................................................................................................31 4.6. Metode Pelacakan. ................................................................................................31 Prosedur Analisis Protokol:...............................................................................................31 Keuntungan dan Keterbatasan Analisis Protokol. ................................................................31 4.7. Pengamatan dan Metode Manual Lainnya. ...............................................................32 Pengamatan (observasi). .................................................................................................32 Pelbagai metode manual lainnnya: ...................................................................................32 4.8. Metode Expert-driven. ...........................................................................................32 Metode manual: laporan oleh sang pakar itu sendiri...........................................................32 Pendekatan bantuan komputer.........................................................................................33 4.9. Repertory Grid Analysis..........................................................................................33 Cara kerja RGA. ..............................................................................................................33 Penggunaan RGA dalam ES..............................................................................................33 4.10. Dukungan Knowledge Engineer. .............................................................................34 Alat bantu akusisi knowledge. ..........................................................................................34 Alat bantu akuisisi knowledge terintegrasi. ........................................................................34 Front-end Tools. .............................................................................................................34 4.11. Induksi Rule, Case-based Reasoning, dan Komputasi Syaraf. ....................................34 Induksi Rule Otomatis. ....................................................................................................35 Keuntungan dari induksi rule............................................................................................35 Kesulitan dalam implementasi. .........................................................................................36 Induksi interaktif. ............................................................................................................36 Case-based reasoning......................................................................................................36 Komputasi Syaraf. ...........................................................................................................36 4.12. Memilih Metode yang Sesuai. .................................................................................36 4.13. Akuisisi Knowledge dari Banyak Pakar. ....................................................................37 Skenario dari banyaknya pakar yang terlibat......................................................................37 Metode penanganan banyak pakar. ..................................................................................37 4.14. Validasi dan Verifikasi Knowledge Base....................................................................37 4.15. Analisis, Kodifikasi, Dokumentasi, dan Pendiagraman. ..............................................38 4.16. Akuisisi Knowledge Numerik dan Terdokumentasi. ...................................................38 Akuisisi knowledge numerik. ............................................................................................38 Akuisisi knowledge terdokumentasi...................................................................................38 4.17. Kesimpulan. ..........................................................................................................39BAB 5 KNOWLEDGE-BASED EXPERT SYSTEMS ..................................................................40 5.1. Pengertian. ...........................................................................................................40 5.2. Rules dan Rule Chaining. .......................................................................................40 5.3. Forward dan Backward Chaining.............................................................................41 Forward Chaining. ...........................................................................................................41 Backward chaining. .........................................................................................................42 Mana yang dipilih, forward ataukah backward chaining? .....................................................42 Tipe sistem yang dapat dicari dengan forward chaining:.....................................................42 Tipe sistem yang dapat dicari dengan backward chaining: ..................................................42 5.4. Desain Implementasi Forward dan Backward Chaining..............................................43 iv Sistem Berbasis Pengetahuan – Irfan Subakti

Forward chaining. ...........................................................................................................43 Backward chaining. .........................................................................................................43 Contoh struktur data dalam program. ...............................................................................48 Contoh Kasus..................................................................................................................49 Kasus 1. Forward Chaining...............................................................................................49 Kasus 2. Backward Chaining.............................................................................................52 5.5. Confidence Factor (CF) pada Forward dan Backward Chaining...................................57 CF untuk rule dengan kondisi AND....................................................................................57 CF untuk rule dengan kondisi OR......................................................................................57 CF untuk rule dengan kondisi AND/OR. .............................................................................57 5.6. Pengembangan Program Forward dan Backward Chaining. .......................................58 Pembagian Rule. .............................................................................................................58 Implementasi Pengembangan Program. ............................................................................59BAB 6 ALGORITMA GENETIKA .........................................................................................61 6.1. Pendahuluan.........................................................................................................61 Struktur Umum Algoritma Genetika...................................................................................61 Eksploitasi dan Eksplorasi. ...............................................................................................62 Pencarian berdasarkan populasi. ......................................................................................62 Meta-heuristic.................................................................................................................63 Keuntungan Utama. ........................................................................................................63 Kamus GA. .....................................................................................................................63 6.2. Contoh Program Algoritma Genetika Sederhana (Simple Genetic Algorithm) ...............63 Masalah Optimasi............................................................................................................63DAFTAR PUSTAKA...............................................................................................................67TENTANG PENULIS .............................................................................................................68 v Sistem Berbasis Pengetahuan – Irfan Subakti

TUJUAN INSTRUKSIONAL UMUMMerancang/menerapkan Sistem Berbasis Pengetahuan dengan merangkai tiga komponenpokok: inference engine, basisdata, dan production rules. MATERISistem-sistem yang ada dalam Management Support System (MSS).Penggunaan kecerdasan buatan.Sistem Pakar.Akuisisi dan validasi pengetahuan.Sistem Pakar Berbasis Pengetahuan.Algoritma Genetika. PRASYARAT MATA KULIAHIF1408 Sistem InformasiIF1504 Kecerdasan Buatan vi Sistem Berbasis Pengetahuan – Irfan Subakti

Bab 1 Management Support Sistem (MSS) BAB 1 MANAGEMENT SUPPORT SYSTEM (MSS) 1.1. Manajer dan Dukungan Komputer. Teknologi komputer sekarang ini merupakan bagian terpenting dalam dunia bisnis, dan jelas dalam pelbagai bidang lainnya. MSS terdiri dari: 1. Decision Support Systems (DSS). 2. Group Support Systems (GSS), termasuk Group DSS (GDSS). 3. Executive Information Systems (EIS). 4. Expert Systems (ES). 5. Artificial Neural Networks (ANN). 6. Hybrid Support Systems. 1.2. Managerial Decision Making & Management Information Systems (MIS). Manajemen adalah proses pencapaian tujuan organisasi melalui penggunaan resources (manusia, uang, energi, material, ruang, dan waktu). Resources sebagai input, sedangkan pencapaian tujuan adalah outputnya. Kesuksesan suatu organisasi dan kesuksesan tugas seorang manajer diukur dari produktivitas. Output ( produk , jasa ) Produktivitas = Input (resources) Faktor-faktor yang mempengaruhi pengambilan keputusan: Faktor Tren Hasil Teknologi. Meningkat. Lebih banyak alternatif pilihan. Informasi/Komputer. Meningkat. Kompleksitas struktural. Meningkat. Biaya yang lebih besar dari kesalahan Kompetisi. Meningkat. yang terjadi. Pasar Internasional. Meningkat. Ketidakpastian berkaitan dengan masa Stabilitas politik. Menurun. depan. Konsumerisme. Meningkat. Intervensi Pemerintah. Meningkat. Kecepatan perubahan luar biasa besarnya. Pendekatan manajemen trial and error menjadi lebih sulit. Manajer harus lebih canggih, harus belajar bagaimana menggunakan tool dan teknik-teknik baru yang selalu berkembang di bidangnya masing-masing. Teknik-teknik yang dipakai ini banyak yang memakai pendekatan analisis kuantitatif, dikelompokkan dalam 1 disiplin, disebut dengan Management Science (Operation Research). 1.3. Kerangka Kerja Decision Support (DS). Tipe KontrolTipe Keputusan Kontrol Kontrol Manajerial Perencanaan Strategis Dukungan yang Operasional dibutuhkanTerstruktur Account receivable, Budget analysis, Financial management MIS, operational order entry short-term (investment), warehouse research models, forecasting, location, distribution transaction personnel reports, systems processing make-or-buySemi Production Credit evaluation, Building new plant, DSSterstruktur schedulling, budget preparation, mergers and acquisitions, inventory control plant layout, project new product planning, schedulling, reward compensation planning, systems design quality assurance planningTak terstruktur Selecting a cover Negotiating, R & D planning, new DSS, ES, neural for a magazine, recruiting an technology development, networks buying software, executive, buying social responsibility approving loans hardware, lobbying planningDukungan yang MIS, management Management EIS, ES, neural networksdiperlukan science science, DSS, ES, EIS 1 Sistem Berbasis Pengetahuan – Irfan Subakti

Bab 1 Management Support Sistem (MSS)Proses pengambilan keputusan terdiri dari 3 fase proses: intelligence, design, dan choice. Intelligence – pencarian kondisi-kondisi yang dapat menghasilkan keputusan. Design – menemukan, mengembangkan, dan menganalisis materi-materi yang mungkin untuk dikerjakan. Choice – pemilihan dari materi-materi yang tersedia, mana yang akan dikerjakan.Proses-proses yang terjadi pada kerangka kerja DS dibedakan atas: Terstruktur, mengacu pada permasalahan rutin dan berulang untuk solusi standar yang ada. Tak terstruktur, adalah “fuzzy”, permasalahan kompleks dimana tak ada solusi serta merta. Masalah yang tak terstruktur adalah tak adanya 3 fase proses yang terstruktur. Semi terstruktur, terdapat beberapa keputusan terstruktur, tetapi tak semuanya dari fase- fase yang ada. Pendekatan Management Science mengadopsi pandangan seorang manajer yang dapat mengikuti proses yang sistematik untuk penyelesaian masalah. Sehingga adalah mungkin untuk menggunakan pendekatan sains pada Managerial Decision Making. Langkahnya adalah:1. Definisi masalah (keputusan situasi yang berhubungan dengan pelbagai masalah atau dengan suatu kesempatan)2. Klasifikasi masalah ke dalam kategori standar.3. Membuat model matematika yang menjelaskan masalah secara nyata.4. Menemukan solusi potensial di model masalah tadi dan mengevaluasinya.5. Memilih dan merekomendasikan satu solusi dari masalah. Proses ini dipusatkan pada masalah modeling/pemodelan.1.4. Decision Support Systems (DSS). Sistem berbasis komputer yang interaktif, yang membantu pengambil keputusan memanfaatkan data dan model untuk menyelesaikan masalah-masalah yang tak terstruktur. DSS mendayagunakan resources individu-individu secara intelek dengan kemampuan komputer untuk meningkatkan kualitas keputusan. Jadi ini merupakan sistem pendukung yang berbasis komputer untuk manajemen pengambilan keputusan yang berhubungan dengan masalah- masalah yang semi terstruktur. Istilah DSS kadang digunakan untuk menggambarkan sembarang sistem yang terkomputerisasi. DSS digunakan untuk definisi yang lebih sempit, dan digunakan istilah MSS sebagai payung untuk menggambarkan pelbagai tipe sistem pendukung.Mengapa menggunakan DSS? Perusahaan beroperasi pada ekonomi yang tak stabil. Perusahaan dihadapkan pada kompetisi dalam dan luar negeri yang meningkat. Perusahaan menghadapi peningkatan kesulitan dalam hal melacak jumlah operasi-operasi bisnis. Sistem komputer perusahaan tak mendukung peningkatan tujuan perusahaan dalam hal efisiensi, profitabilitas, dan mencari jalan masuk di pasar yang benar-benar menguntungkan.6 alasan mengapa perusahaan-perusahaan utama memulai DSS dalam skala besar: Kebutuhan akan informasi yang akurat. DSS dipandang sebagai pemenang secara organisasi. Kebutuhan akan informasi baru. Manajemen diamanahi DSS. Penyediaan informasi yang tepat waktu. Pencapaian pengurangan biaya.Alasan lain dalam pengembangan DSS adalah perubahan perilaku komputasai end-user. End-userbukanlah programer, sehingga mereka membutuhkan tool dan prosedur yang mudah untukdigunakan. Dan ini dipenuhi oleh DSS.1.5. Group Support Systems (GSS). Pelbagai keputusan utama dalam organisasi dibuat oleh group secara kolektif. Mengumpulkan keseluruhan group secara bersama dalam satu tempat dan waktu adalah sulit dan mahal, sehingga pertemuan ini memakan waktu lama dan keputusan yang dibuat hasilnya sedang-sedang saja, tak terlalu baik. Sistem Berbasis Pengetahuan – Irfan Subakti 2

Bab 1 Management Support Sistem (MSS) Peningkatan kinerja group-group tadi yang dibantu oleh teknologi Informasi ini muncul dalam pelbagai istilah, seperti: groupware, electronic meeting systems, collaborative systems, dan group DSS (ini yang kita gunakan). Satu contoh dari implementasi group DSS ini adalah Total Quality Management (TQM). 1.6. Executive Information (atau Support) Systems (EIS atau ESS). EIS dikembangkan utamanya untuk: Menyediakan kebutuhan informasi yang diperlukan oleh pihak Eksekutif. Menyediakan antarmuka yang benar-benar user-friendly untuk Eksekutif. Mempertemukan pelbagai gaya keputusan individu para Eksekutif. Menyediakan pelacakan dan kontrol yang tepat waktu dan efektif. Menyediakan akses cepat pada informasi detil yang tersirat di teks, bilangan, atau grafik. Memfilter, memadatkan, dan melacak data dan informasi yang kritis. Identifikasi masalah (atau juga kesempatan). EIS bisa juga digunakan pada pelbagai jenis perusahaan dan melayani sejumlah manajer sebagai suatu Enterprise Wide Systems (EWS). 1.7. Expert Systems (ES). Semakin tak terstruktur suatu situasi, maka solusinya akan lebih spesifik. ES dibuat untuk menyerupai seorang pakar/ahli. ES adalah paket hardware dan software yang digunakan sebagai pengambil keputusan dan/atau pemecahan masalah; yang dapat mencapai level yang setara atau kadang malah melebihi seorang pakar/ahli, pada satu area masalah yang spesifik dan biasanya lebih sempit. Merupakan cabang dari aplikasi Artificial Intelligence (AI). Ide dasarnya sederhana. Kepakaran ditransfer dari seorang pakar ke komputer. Pengetahuan ini lalu disimpan disitu dan user dapat meminta saran spesifik yang dibutuhkannya. Komputer dapat mencari, mengolah dan menampilkan kesimpulan yang spesifik. Dan seperti seorang pakar, saran tersebut bisa dimanfaatkan oleh orang yang bukan pakar berikut penjelasannya yang berisi logika penalaran di balik saran itu. 1.8. Neural Computing (Artificial Neural Network). Teknologi sebelum Artificial Neural Network (ANN) berbasis pada penggunaan data, informasi, ataupun pengetahuan eksplisit yang tersimpan di komputer dan memanipulasi mereka menurut kebutuhan. Pada dunia nyata yang begitu kompleks, mungkin tak bisa didapatkan data, informasi, ataupun pengetahuan secara eksplisit, sedangkan keputusan harus diambil walaupun kondisinya seperti ini (informasi yang parsial, tak lengkap, atau pun tak eksak). Perubahan lingkungan yang terjadi sedemikian cepatnya. Pengambil keputusan menggunakan pengalaman yang ada untuk mengatasi hal ini; yaitu menggunakan pengalaman yang bersesuaian dan belajar dari pengalaman itu tentang apa yang harus dikerjakan dengan situasi yang serupa untuk pengalaman yang tak sesuai. Pada teknologi sebelumnya, tak ada elemen untuk proses pembelajaran oleh komputer. Teknologi yang ditujukan untuk mengisi kekurangan ini, disebut dengan Neural Computing atau ANN. Contohnya adalah pengenalan pola. 1.9. Evolusi dari Alat Pengambil Keputusan Terkomputerisasi. Dibagi dalam 7 kategori: 1. Transaction Processing Systems (TPS). 2. Management Information Systems (MIS). 3. Office Automation Systems (OAS). 4. Decision Support Systems (DSS) dan Group DSS (GDSS). 5. Expert Systems (ES). 6. Executive Information Systems (EIS). 7. Artificial Neural Network (ANN). Berikut ini adalah pelbagai aspek pengambilan keputusan:Phase Description Examples of ToolsEarly Compute “crunch numbers”, summarize, Calculators, early computer programs, organize. statistical models, simple management science models.Intermediate Find, organize, and display decision-relevant Database management systems, MIS, filing Sistem Berbasis Pengetahuan – Irfan Subakti 3

Bab 1 Management Support Sistem (MSS) Phase Description Examples of Tools information. systems. Management science models. Current Perform decision-relevant computations on Financial models, spreadsheets, trend decision-relevant information; organize and exploration, operations research models, display the results. Query-based and user- CAD systems, DSS. friendly approach. “What-if” analysis. Interact with decision makers to facilitate ES; EIS. formulation and execution of the intellectual steps in the process of decion making. Just beginning Complex and fuzzy decisions situations, Second generation of ES, GDSS, neural expanding to collaborative decision making and computing. to machine learning. Evolusi dari MSS dan hubungannya dengan sistem yang lain umumnya dipandang sebagai: rekomendasi dan saran yang disediakan oleh MSS ke manajer dapat dipertimbangkan sebagai informasi yang diperlukan untuk keputusan akhir yang akan dibuat. Pendekatan ini berarti bahwa MSS dipandang canggih, jenis sistem informasi tingkat tinggi yang dapat ditambahkan pada sistem TPS tradisional, OAS, MIS. Hubungan antara TPS, MIS, DSS, EIS, dan ES dan teknologi-teknologi yang lain: Pelbagai teknologi ini dapat dipandang sebagai klas yang unik dari teknologi informasi. Mereka saling berhubungan, dan mereka saling mendukung satu sama lain dalam pelbagai manajemen pengambilan keputusan. Evolusi dan pembuatan tool-tool yang lebih baru membantu kinerja pengembangan teknologi informasi untuk kebaikan manajemen dalam organisasi. Keterkaitan dan koordinasi diantara tool-tool ini masih berevolusi. Atribut dari sistem pendukung terkomputerisasi utama:Dimension Transactions Management Decision Support Expert System Executive Processing Information Systems (DSS) (ES) Information Systems (TPS) Systems (MIS) Systems (EIS)Applications Payroll, Production control, Long-range Diagnosis Support to top inventory, record sales forecasting, strategic planning, strategic planning, management keeping, monitoring complex integrated internal control decision, production and problem areas planning, environmental sales information strategies scanningFocus Data transactions Information Decisions, Inferencing, Tracking, control, flexibility, user transfer of “Drill down” friendliness expertiseDatabase Unique to each Interactive access Database Procedural and External (online) application, by programmers management factual and corporate, batch update systems, knowledge; enterprise wide interactive access, knowledge base access (to all data factual knowledge (facts, rules) bases)Decision No decisions Structured routing Semistructured The system Only whencapabilities problems using problems, makes complex combined with a conventional integrated decisions, DSS management management unstructured; use science tools science models, of rules blend of judgment (heuristics) and modelingManipulation Numerical Numerical Numerical Symbolic Numeric (mainly); some symbolicType of Summary Scheduled and Information to Advice and Status access,information reports, demand reports, support specific explanations exception operational structured flow, decisions reporting, key exception reporting indicatorsHighest Submanagerial, Middle Analysts and Managers and Senior executivesorganizational low management management managers specialists (only)level servedImpetus Expediency Efficiency Effectiveness Effectiveness and Timeliness expediency Sistem Berbasis Pengetahuan – Irfan Subakti 4

Bab 1 Management Support Sistem (MSS)1.10. Pelbagai Perbedaan diantara MIS dan DSS.Fitur dari DSS: DSS dapat digunakan untuk mengawali kerja ad hoc, masalah-masalah yang tak diharapkan. DSS dapat menyediakan representasi valid dari sistem di dunia nyata. DSS dapat menyediakan pendukungan keputusan dalam kerangka waktu yang pendek/terbatas. DSS dapat berevolusi sebagai mana halnya pengambil keputusan mempelajari tentang masalah-masalah yang dihadapinya. DSS dapat dikembangkan oleh para profesional yang tak melibatkan pemrosesan data.Karakteristik MIS: Kajiannya ada pada tugas-tugasnya yang terstruktur, dimana prosedur operasi standar, aturan- aturan keputusan, dan alur informasi dapat didefinisikan Hasil utamanya adalah meningkatkan efisiensi dengan mengurangi biaya, waktu tunggu, dan lain-lain, dan dengan mengganti karyawan klerikal. Relevansinya untuk manajer pengambil keputusan biasanya tak langsung didapatkan; misalnya dengan penyediaan laporan dan akses ke data.Karakteristik Operation Research/Management Science: Kajiannya ada pada masalah-masalah yang terstruktur (dibandingkan dengan tugas-tugas), dimana tujuan, data, dan batasan-batasan dapat lebih dulu ditentukan. Hasil utamanya adalah dalam menghasilkan solusi yang lebih baik untuk masalah-masalah tertentu. Relevansinya untuk manajer ada pada rekomendasi detil dan metodologi baru untuk menangani masalah-masalah yang kompleks.Karakteristik DSS: Kajiannya ada pada keputusan-keputusan dimana ada struktur yang cukup untuk komputer dan alat bantu analitis yang memiliki nilai tersendiri, tetapi tetap pertimbangan manajer memiliki esensi utama. Hasil utamanya adalah dalam peningkatan jangkauan dan kemampuan dari proses pengambilan keputusan para manajer untuk membantu mereka meningkatkan efektivitasnya. Relevansinya untuk manajer adalah dalam pembuatan tool pendukung, di bawah pengawasan mereka, yang tak dimaksudkan untuk mengotomatiskan proses pengambilan keputusan, tujuan sistem, atau solusi tertentu.Relasi antara EDP, MIS, and DSS: Strategic DSS Planning Managerial MIS Control Operational Control EDP Transaction Processing1.11. Hubungan antara Decision Support-Expert System. DSS dan ES berbeda dan tak berhubungan dengan sistem yang terkomputerisasi. Disiplin antara ES dan DSS berkembang pararel, tapi saling tak tergantung dan berjalan sendiri- sendiri. Cuma sekarang kita bisa mencoba menggabungkan potensi dari keduanya. Menurut kenyataannya, disebabkan karena perbedaan kapabilitas diantara kedua tool, mereka dapat mengkomplemen satu sama lain, membuatnya menjadi powerful, terintegrasi, sistem yang berbasis komputer, yang jelas dapat meningkatkan pengambilan keputusan manajerial. Sistem Berbasis Pengetahuan – Irfan Subakti 5

Bab 1 Management Support Sistem (MSS) 1.12. Dukungan dari Pengambilan Keputusan. Perbedaan antara DSS dan ES: DSS ESObjective Assist human decision maker Replicate (mimic) human advicers and replace themWho makes the The human and/or the system The systemrecommendations (decisions)?Major orientation Decision making Transfer of expertise (human- machine-human) and rendering the adviceMajor query direction Human queries the machine Machine queries the humanNature of support Personal, groups, and institutional Personal (mainly), and groupsManipulation method Numerical SymbolicCharacteristics of problem area Complex, integrated wide Narrow domainType of problems Ad hoc, unique RepetitiveContent of database Factual knowledge Procedural and factual knowledgeReasoning capability No Yes, limitedExplanation capability Limited Yes Proses pengambilan keputusan: 1. Step A. Mengerti masalah (atau kesempatan yang ada). ES dapat membantu dalam mendesain alur informasi pada eksekutif (misalnya, bagaimana untuk memonitor, kapan) dan dalam penginterpretasian informasi. Disebabkan beberapa informasi bersifat fuzzy, maka kombinasi antara ES dan ANN tentu akan membantu. Seluruh area dari proses scanning, monitoring, forecasting (misalnya, tren) dan penginterpretasian sangat dibantu oleh adanya komputerisasi. Demikian juga natural language processors (NLP) akan berguna dalam menyimpulkan informasi. 2. Step B. Analisis. Sekali suatu masalah (kesempatan) teridentifikasi, pertanyaan selanjutnya adalah apa yang harus dikerjakan dengan hal ini? Di sinilah langkah analisis berperanan. Analisis bisa bersifat kualitatif atau pun kuantitatif (atau kombinasinya). Analisis kuantitatif didukung oleh DSS dan oleh tool-tool analisis kuantitatif. Analisis kualitatif didukung oleh ES. 3. Step C. Memilih. Pada langkah ini, keputusan dibuat dengan memperhatikan masalahnya (atau kesempatan) berdasarkan hasil dari analisis. Langkah ini didukung oleh DSS (jika pengambil keputusan adalah seseorang) atau oleh GDSS (jika keputusan dibuat oleh sekelompok orang). 4. Step D. Implementasi. Pada tahap ini, keputusan untuk mengimplementasikan solusi tertentu dilakukan, dan DSS dan/atau ES bisa mendukung tahap ini. Di bawah ini terlihat dukungan terkomputerisasi untuk proses pengambilan keputusan: Sistem Berbasis Pengetahuan – Irfan Subakti 6

Bab 1 Management Support Sistem (MSS) Sources of Information and Knowledge People Newspapers TV Sensors Scanning ES, NLP, ANN EIS, MIS Problem identification Step A EIS (ESS) (Definition) (Intelligence) DSS Qualitative Step B Quantitative MS/ ES analysis (Design) analysis (Design) or ANN Step C Decision (Choice) GDSS (Groups) DSS (Individual) No Implement? Decision DSS Step D (Choice) and ES 1.13. Hybrid Support Systems. Tujuan dari Computer-Based Information System (CBIS) adalah untuk membantu manajemen dalam memanajemen penyelesaian atau mengorganisasi masalah lebih cepat dan baik daripada tanpa menggunakan komputer. Kata kuncinya adalah solusi yang tepat dari manajemen permasalahan, dan bukannya tool atau teknik yang digunakan dalam proses. Beberapa pendekatan yang mungkin: Gunakan setiap tool dengan caranya sendiri-sendiri untuk menyelesaikan aspek yang berbeda dari suatu masalah. Gunakan pelbagai tool yang tidak begitu terintegrasi. Gunakan pelbagai tool yang secara kuat terintegrasi. Dalam hal ini tool-tool akan berlaku sebagai sistem hybrid/persilangan ke user, dimana transfer dari data dan aktivitas lain diprogram ke dalam MSS yang terintegrasi. 1.14. Computer-Based Information Systems di Departemen Personalia.Category TaskTransaction Keep inventory of personnel. Prepare payroll; compute salaries and incentiveProcessing plans.Management Prepare summary reports (e.g., average salaries in each department). ConductInformation System performance tracking of employees, labor budget. Do preparation, monitoring, and analysis. Perform short-term scheduling. Match positions and candidates. Monitor positions control systems. Do fringe benefits monitoring and control.Decision Support Prepare special reports (e.g., safety records, equal opportunity achievements).Systems Do long-range planning for human resources. Design a compensation plan. Provide quantitative support of labor-management negotiation.Expert Systems Obtain advice on legal and tax implications during management labor negotiations. Develop a social responsibility plan. Select training media. Design comprehensive training programs. Help in selecting new employees. Sistem Berbasis Pengetahuan – Irfan Subakti 7

Bab 1 Management Support Sistem (MSS)Category TaskOffice Automation Do online job interviews and recruiting, schedule meetings, maintain mailing lists, schedule training, use for electronic mail, receive labor news and statistics online, prepare training materials.Executive Exists at the corporate level only. Will measure key performance indicators ofInformation System the department (such as dollar per employee).Group DSS Can be used for supporting the process of making controversial major decisions (e.g., personnel policies).Neural Computing Screen applicants for jobs. Analyze reasons why people leave the company (find patterns). 1.15. Kesimpulan. Perkembangan komputer demikian cepatnya dan juga penggunaannya oleh para manajer. MSS adalah keluarga teknologi yang dapat digunakan secara mandiri atau dalam bentuk kombinasinya. Dukungan terkomputerisasi untuk para manajer sangat penting dalam pelbagai kasus untuk kelanjutan organisasinya. Manejemen pengambilan keputusan makin lama makin kompleks. Maka metode intuisi dan trial and error tak tepat lagi. Kerangka dukungan keputusan membagi kondisi keputusan dalam 9 kategori, tergantung pada derajat struktur dan aktivitas manajerial. Setiap kategori mendapat dukungan komputer sendiri- sendiri. Keputusan yang terstruktur didukung oleh metode analisis kuantitatif seperti: management science dan capital budgeting. DSS adalah teknologi analitis yang menggunakan model untuk solusi yang semi terstruktur dan masalah-masalah tak terstruktur. Group DSS adalah teknologi yang mendukung proses pengambilan keputusan dalam suatu group. EIS adalah teknologi yang mendukung eksekutif dengan menyediakan bagi mereka informasi yang sedia setiap saat, detil, dan mudah untuk divisualisasikan. ES adalah sistem pemberi nasehat yang mencoba menirukan para pakar. Fitur utama dari ES adalah aplikasinya untuk pengetahuan dan penggunaan reasoning (alasan suatu keputusan). Komputasi saraf (neural computing) adalah teknologi yang mencoba menampilkan proses pembelajaran dan pengenalan pola. Semua teknologi MSS adalah interaktif. Keuntungan utama dari MSS adalah ia dapat diukur. Teknologi-teknologi MSS dapat diintegrasikan diantara mereka sendiri dan dengan CBIS yang lain. Teknologi-teknologi MSS dapat diterapkan pada satu lokasi atau mereka dapat didistribusikan di keseluruhan perusahaan. Sistem Berbasis Pengetahuan – Irfan Subakti 8

Bab 2 Penggunaan Artificial Intelligence (AI) BAB 2 PENGGUNAAN ARTIFICIAL INTELLIGENCE (AI)2.1. Definisi. AI didasarkan atas 2 ide dasar. Pertama, ini adalah hal yang berhubungan dengan studiproses berpikir manusia (untuk memahami apakah kecerdasan itu); yang kedua ia berhubungandengan representasi proses-proses tadi melalui mesin (komputer, robot, dan lain-lain). AI adalah perilaku mesin, yang menampilkan perilaku manusia, yang disebut dengankecerdasan. AI adalah studi bagaimana membuat komputer melakukan sesuatu hal pada suatuwaktu, untuk manusia, secara lebih baik. AI secara dasar adalah teori bagaimana pemikiranmanusia bekerja.3 tujuan yang diinginkan AI:1. Membuat mesin lebih pintar (tujuan utama).2. Memahami apakah sebenarnya kecerdasasan itu (tujuan mulianya).3. Membuat mesin lebih berguna (tujuan di sektor swasta).Beberapa kemampuan yang merupakan tanda dari kecerdasan: Belajar atau mengerti dari pengalaman. Bereaksi terhadap pesan-pesan yang memiliki makna ganda atau berlawanan. Respon sigap dan berhasil atas situasi baru (respon yang berbeda, fleksibelitas). Penggunaan alasan dalam menyelesaikan permasalahan dan memimpinnya dengan cara yang efektif. Berhubungan dengan situasi yang berubah-ubah. Mengerti dan menghasilkan dalam cara yang rasional dan umum digunakan. Menggunakan pengetahuan untuk memanipulasi lingkungan. Berpikir dan memberi alasan. Mengenali elemen-elemen yang secara relatif penting dalam situasi tertentu.Symbolic Processing.Untuk merepresentasikan hal-hal yang ingin diselesaikan dengan AI. AI merepresentasikanpengetahuan sebagai sekumpulan simbol yang berhubungan dengan konsep permasalahannya.Dalam AI, simbol adalah string dari karakter yang mencerminkan konsep dari dunia nyata.Contohnya: Product Defendant 0.8Simbol ini dapat dikombinasikan untuk mengekspresikan hubungan yang berarti. Jika relasi inidirepresentasikan dalam suatu program AI, maka mereka disebut dengan symbol structures.Contoh: (DEFECTIVE product) (LEASED-BY product defendant) (EQUAL (LIABILITY defendant) 0.8)Struktur ini dapat diinterpretasikan untuk memahami bahwa “the product is defective”, “the productis leased by the defendant”, dan “the liability of the defendant is 0.8”. Tapi bisa juga mereka inidiinterpretasikan dengan yang lain. Dan ini merupakan salah satu masalah jika membangun suatusistem AI. Untuk menyelesaikan suatu masalah, program AI akan memanipulasi simbol-simbol ini.Konsekuensinya adalah representasi pengetahuan – pemilihan, bentuk, dan interpretasi dari simbolyang digunakan – menjadi sangat penting. Symbolic processing adalah karakteristik penting dari AI yang merefleksikan definisi berikutini: AI adalah cabang dari computer science yang berhubungan dengan symbolic, nonalgorithmicmethod dari penyelesaian suatu masalah.1. Numeric vs. symbolic. Komputer didesain untuk memproses bilangan, sedangkan manusia lebih cenderung berpikir secara simbolik. Walaupun tak diartikan bahwa AI tak melibatkan matematika, AI ditekankan pada manipulasi simbol.2. Algorithmic vs. nonalgorithmic. Algoritma adalah prosedur langkah demi langkah yang di dalamnya sudah ditentukan dengan baik bagaimana langkah awal dan hasil akhirnya, sehingga bisa memberikan kepastian terhadap masalah yang spesifik. Computer bekerja dengan cara ini, 9 Sistem Berbasis Pengetahuan – Irfan Subakti

Bab 2 Penggunaan Artificial Intelligence (AI) sedangkan proses reasoning manusia bekerja dengan cara yang nonalgorithmic. Aktivitas mental lebih dari sekedar mengikuti logika ataupun prosedure langkah demi langkah tadi.Heuristics. Heuristik atau disebut juga metode aturan jempol (rule of thumb, cara bodoh-bodohan)termasuk elemen kunci dari AI dalam definisi berikut ini: AI adalah cabang dari computer scienceyang berhubungan dengan cara untuk merepresentasikan pengetahuan menggunakan simbol lebihdaripada bilangan, dan dalam memproses informasinya menggunakan metode aturan jempol atauheuristik. Orang lebih sering menggunakan cara bodoh-bodohan ini, dengan atau tanpa sadar dalammengambil keputusan. Dengan menggunakan heuristik, orang tak perlu berpikir dua kali apa yangharus dikerjakan setiap saat menemui masalah yang sama.Inferencing.AI melibatkan perilaku mesin dalam memberikan alasan-alasan dari suatu tindakan yang diambil.Proses pemberian alasan ini (reasoning) ini terdiri dari inferencing (penggalian/penemuan kembali)dari fakta-fakta dan aturan-aturan menggunakan heuristik atau metode pencarian lainnya. AIsecara unik melakukan proses inferencing ini dengan melakukan pendekatan pengenalan pola.Pengenalan Pola.Definisi AI berikut ini berkutat pada teknik pengenalan pola: AI bekerja dengan metode pengenalanpola yang bertujuan untuk menjelaskan objects (obyek), events (kejadian), atau proses-prosespada aspek kualitatif dan logika serta hubungan komputasinya.2.2. AI Dibandingkan dengan Natural Intelligence.Nilai potensial AI dapat dipahami lebih dalam dengan membandingkannya dengan kecerdasanalami manusia. AI memiliki keuntungan komersial seperti: AI lebih permanen. AI lebih mudah untuk diduplikasi dan disebarluaskan. AI lebih murah. AI lebih mudah didokumentasikan. AI lebih cepat mengerjakan beberapa tugas tertentu. AI lebih baik dalam mengerjakan beberapa tugas tertentu.Namun demikian, kecerdasan alami memiliki juga kelebihan dibandingkan AI: NI adalah kreatif, sedangkan AI agak memiliki kelemahan dalam memasukkan pengetahuan padanya, yaitu harus dalam sistem yang terbangun dengan baik. NI menjadikan manusia bisa memetik keuntungan dari use sensory experience (sensasi pengalaman yang terjadi) secara langsung, sedangkan kebanyakan AI hanya bisa bekerja dengan input-input simbolik. Yang terpenting, human reasoning mampu untuk menangani pelbagai hal pada setiap waktu dari pengalaman yang luas dan baru dibawa kepada permasalahan yang lebih individual; di sisi lain, AI mendapatkan keuntungan dari fokus yang lebih sempit.2.3. Knowledge pada AI.Dalam lapangan sistem informasi, ada kebingungan dalam istilah data, informasi, dan knowledge(pengetahuan).Data.Istilah data mengacu pada string numeric (atau alphanumeric) yang tak memiliki arti apa-apa. Bisaberupa fakta-fakta atau gambar yang akan diproses.Information.Informasi adalah data yang terorganisasi sehingga memiliki arti bagi orang yang menerimanya.Knowledge.Memiliki pelbagai definisi, yaitu: Persepsi yang jelas dan pasti dari suatu hal. Pemahaman. Pembelajaran. Semua hal yang dipersepsikan atau dipegang teguh oleh hati. Pengalaman praktis, ketrampilan. Sistem Berbasis Pengetahuan – Irfan Subakti 10

Bab 2 Penggunaan Artificial Intelligence (AI) Kemudahan pengaksesan atau mudah untuk dikenal. Cognizance; pengenalan. Informasi terorganisasi yang teraplikasi pada penyelesaian masalah. Penggunaan Knowledge. Walaupun komputer tidak mempunyai pengalaman atau studi dan belajar seperti halnya yang terjadi pada batin manusia, tapi komputer dapat menggunakan knowledge yang diberikan oleh pakar manusia. Knowledge ini terdiri dari fakta, konsep, teori, metode heuristik, prosedur, dan hubungan diantaranya. Knowledge juga merupakan informasi yang diorganisasi dan dianalisis untuk membuatnya dimengerti dan dapat diaplikasikan dalam penyelesaian masalah atau pengambilan keputusan. Koleksi dari knowledge yang berelasi ke suatu masalah (atau peluang) yang digunakan dalam sistem AI disebut dengan knowledge base. Kebanyakan basis pengetahuan ini terbatas pada fokus daerah subyek atau domainnya yang spesifik, malah biasanya sempit. Sekali basis pengetahuan dibangun, teknik AI dapat digunakan untuk menghasilkan kemampuan inferensi pada komputer. Basis-basis pengetahuan dan organisasi berbasis pengetahuan. Data, informasi, dan knowledge dapat diklasifikasikan berdasarkan derajat abstraksi dan kuantitasnya. High Knowledge Degree of Abstraction Information Data Low Quantity 2.4. Bagaimana AI Berbeda dengan Komputasi Konvensional. Komputasi konvensional bertumpu pada suatu algoritma yang sudah didefinisikan dengan jelas, prosedur langkah demi langkah untuk menyelesaikan masalah. Bisa berupa rumus matematika atau prosedur berurutan yang menuju pada solusi. Algoritma ini dikonversikan ke dalam program komputer. Komputasi AI berbasis pada representasi simbolik dan manipulasinya. Gambar di bawah mengilustrasikan konsep komputer yang menggunakan AI pada aplikasinya: Computer Outputs Inputs Knowledge Inferencing (Answers, (Questions, Base Capability Alternative Problems, etc.) Solutions, etc.) Sedangkan tabel di bawah ini menjelaskan pelbagai cara pengolahan data secara tradisional:Process ManipulationCalculate Perform mathematical operations such as add, substract, multiply, divide, find a square root, etc. Solve formulas.Perform logic Perform logic operations such as “and”, “or”, “invert”, etc.Store Remember facts and figures in files.Retrieve Access data stored in files as required.Translate Convert data from one form to another.Sort Examine data and put it into some desired order to format.Edit Make changes, additions, and deletions to data and change its sequence.Make structured decisions Reach simple conclusions based on internal or external conditions.Monitor Observe external or internal events and take action if certain conditions are met.Control Take charge of or operate external devices. Sistem Berbasis Pengetahuan – Irfan Subakti 11

Bab 2 Penggunaan Artificial Intelligence (AI) Software AI menampilkan proses reasoning dan inferencing menggunakan teknik dasar search (pencarian) dan pattern matching (pengenalan pola). Walaupun AI menyelesaikan permasalahan tidak secara langsung menggunakan proses algoritmis, jelas algoritma diimplementasikan dalam proses search ini. Sebagai peringatan, orang percaya bahwa AI adalah magic. Jelas bukan!. AI secara mendasar berbeda dengan pendekatan pemrograman komputer, dan tentu harus diperlakukan seperti itu. Pelbagai istilah berbeda digunakan untuk AI, yang jelas AI adalah CBIS, walaupun memiliki pelbagai karakteristik seperti di bawah ini:Dimension Artificial Intelligence Conventional ProgrammingProcessing Mainly symbolic Primarily computingNature of input Can be incomplete Must be completeSearch Heuristic (mostly) AlgorithmsExplanation Provided Usually not providedMajor interest Knowledge Data, informationStructure Separation of control from knowledge Control integrated with information (data)Nature of output Can be incomplete Must be correctMaintenance and update Relatively easy, due to modularity Usually difficultHardware Mainly workstations and personal computers All typesReasoning capability Yes No 2.5. Bidang AI. Dapat digambarkan dalam bentuk diagram seperti di bawah ini: Sistem Berbasis Pengetahuan – Irfan Subakti 12

Bab 2 Penggunaan Artificial Intelligence (AI) Natural Language Processing Speech Automatic Understanding Program- Intelligent ming Tutor Expert Robotics Systems Computer Machine Vision Learning Game The Playing AI TREE Computer Linguistics Science A B C D L N P E F G H I J K M O Psychology Philosopy Electrical Management and Engineering Management Science A Psycholingustics E Cognitive Psychology I Robotics M Mathematics/Statistics B Sociolingustics F Philosophy J Image Processing N Operations Research C Computational G Philosophy of K Pattern Recognition O Management Lingustics Language Information Systems D Adaptive Systems H Logic L Management P BiologyExpert System. Adalah program pemberi advis/nasehat yang terkomputerisasi yang ditujukan untuk meniruproses reasoning dan pengetahuan dari pakar dalam menyelesaikan permasalahan masalah yangspesifik. Bidang ini digunakan lebih banyak daripada penggunaan bidang-bidang AI lainnya. ESmenarik minat yang besar dalam suatu organisasi disebabkan kemampuannya dalam meningkatkanproduktifitas dan dalam meningkatkan gugus kerja di pelbagai bidang tertentu dimana pakarmanusia akan mengalami kesulitan dalam mendapatkan dan mempertahankan kemampuan itu. Pakar manusia cenderung untuk menjadi spesialis dalam bidang keahlian tertentu yangrelatif sempit. Umumnya pakar memiliki karakteristik ini: mereka menyelesaikan masalah dengancepat dan cukup akurat, menjelaskan what/apa (dan terkadang how/bagaimana) yang merekakerjakan, mempertimbangkan reliabelitas konklusinya, mengetahui kapan jalan buntu menghadang,dan mereka berkomunikasi dengan para pakar lainnya. Mereka juga belajar dari pengalaman,mengubah cara pandangnya untuk menyesuaikan dengan masalah, juga mentransfer pengetahuandari satu domain ke domain yang lain. Akhirnya, mereka menggunakan pelbagai tool, sepertiaturan jempol, model matematis, dan simulasi detil untuk mendukung keputusan yang diambil. Knowledge adalah sumber utama, dan ini seringkali cuma dimiliki oleh sebagian kecil pakar.Tentu saja diperlukan untuk menyimpan knowledge ini sehingga orang lain dapatmenggunakannya. Sang pakar bisa saja menderita sakit atau meninggal dunia dan knowledge yangbiasanya ada menjadi tiada lagi. Buku dan manual bisa saja menyimpan pelbagai knowledge, tetapiini juga memberikan persoalan lain dalam aplikasi menampilkan kembali knowledge itu kepadaorang yang membutuhkannya. ES menyediakan pengertian langsung dari aplikasi kepakaran. Sistem Berbasis Pengetahuan – Irfan Subakti 13

Bab 2 Penggunaan Artificial Intelligence (AI) Tujuan dari ES bukanlah menggantikan para pakar, tetapi hanya untuk membuatknowledge dan pengalaman para pakar itu tersimpan dan tersedia lebih luas dan leluasa.Umumnya, memang lebih banyak masalah yang ada yang mendesak untuk diselesaikan daripadakeberadaan para pakar untuk menangani pelbagai persoalan. ES mengijinkan orang lain untukmeningkatkan produktifitas, memperbaiki kualitas keputusannya, dan menyelesaikan masalah disaat seorang pakar tidak ada.Natural Language Processing. Teknologi bahasa alami memberikan komputer kemampuan untuk berkomunikasi dengankomputer lain dengan bahasa aslinya. Teknologi ini mengijinkan suatu jenis percakapan antarmuka,yang berbeda bila dibandingkan dengan istilah, sintaks, perintah programming language.Bidang NLP ini dibagi menjadi 2 sub bidang: Natural language understanding, mempelajari metode yang menjadikan komputer memahami perintah-perintah yang diberikan dalam bahasa Inggris, sehingga komputer dapat lebih mudah memahami manusia. Natural language generation, dibuat agar komputer bisa berbahasa Inggris umum, sehingga manusia lebih mudah memahami komputer.2.6. Kesimpulan. AI adalah bidang lintas disiplin yang dapat didefinisikan dengan pelbagai cara. Tujuan utama dari AI adalah untuk membangun komputer yang dapat menampilkan unjuk kerja yang berkarakter cerdas. Karakteristik utama dari AI adalah pemrosesan simbolik, menggunakan metode heuristik lebih daripada algoritma, dan merupakan aplikasi yang menerapkan teknik inferencing. AI memiliki pelbagai keuntungan buat manusia: dia permanen, mudah diduplikasi dan disebarluaskan, lebih murah dibandingkan dengan harga kecerdasan manusia, konsisten dan menyeluruh, dan dapat didokumentasikan. Natural (human) intelligence memiliki pelbagai keuntungan dibandingkan AI: dia kreatif, menggunakan sensasi pengalaman secara langsung, alasan keputusannya berasal dari pengalaman yang berkonteks luas. Dibandingkan data ataupun informasi, knowledge merupakan konsep kunci dari AI. Knowledge base adalah koleksi dari knowledge yang berhubungan dengan isu yang spesifik (masalah atau peluang). Kita bergerak ke dalam era knowledge-based organizations. Aplikasi AI dapat diprogram ke dalam bahasa pemrograman komputer konvensional seperti halnya bahasa AI khusus (misalnya LISP, PROLOG). Dalam komputasi konvensional kita memberitahu komputer bagaimana menyelesaikan masalah. Dalam AI kita memberitahu komputer apakah masalahnya itu dan memberikan kepadanya knowledge yang diperlukan untuk menyelesaikan permasalahan yang serupa dan prosedur-prosedur yang diperlukan untuk menggunakan knowledge itu. Semua komputer digital dalam operasinya bersifat algorithmic, tetapi mereka dapat diprogram untuk memanipulasi simbol. Teknik dasar dari reasoning adalah search dan pattern matching. Di samping kenyataan bahwa komputasi AI tak dapat berpikir, ia akan lebih memiliki arti dengan meningkatkan pelbagai cara bagaimana komputer digunakan. Bidang aplikasi utama AI adalah ES, NLP, speech understanding, intelligent robotics, computer vision, dan intelligent computer-aided instruction. ES, teknologi Ai yang paling banyak diaplikasikan, mencoba untuk menirukan kerja dari pakar. Mereka mengaplikasikan kepakaran ini dalam penyelesaian masalah. NLP mencoba untuk menjadikan user berkomunikasi dalam bahasa aslinya dengan komputer. Penggunaan keyboard adalah umum terjadi, tetapi sekarang dengan suara (voice) pun hal ini sudah bisa dilakukan. Speech understanding mengijinkan orang berkomunikasi dengan komputer melalui suara. Intelligent robot adalah salah satu robot yang dapat merespon pelbagai perubahan dalam lingkungannya. Pada masa ini hal ini sudah tak asing lagi. Computer vision mengijinkan interpretasi gambar atau pelbagai obyek tampak lainnya. Komputer dapat digunakan sebagai pemandu. Jika ia didukung oleh AI, maka dia dapat meningkatkan pembelajaran dan peningkatan ketrampilan. Pelbagai teknologi AI dapat diintegrasikan diantara mereka sendiri dan dengan pelbagai teknologi berbasis komputer yang lain. Sistem Berbasis Pengetahuan – Irfan Subakti 14

Bab 3 Expert System BAB 3 EXPERT SYSTEM ES diturunkan dari istilah Knowledge-Based Expert System. ES adalah sistem yangmendapatkan dan menyimpan knowledge manusia ke dalam komputer untuk menyelesaikanpermasalahan yang biasanya membutuhkan kepakaran seorang ahli. Area/bidang kepakaran ini disebut dengan domain.Pengembangan ES terindikasi pada hal-hal di bawah ini: Ketersediaan pelbagai tool yang didesain untuk memudahkan pembangunan ES dan mengurangi biayanya. Penyebarluasan ES pada ribuan organisasi, beberapa diantaranya menggunakan ratusan atau malah ribuan sistem yang spesifik. Integrasi ES dengan pelbagai CBIS yang lain berkembang makin pesat, khususnya integrasi dengan database dan DSS. Penggunaan ES semakin meningkat pada pelbagai hal, mulai dari sistem help sampai ke aplikasi bidang militer dan ruang angkasa. Penggunaan teknologi ES sebagai metodologi yang mempermudah pembangunan sistem informasi reguler. Peningkatan penggunaan object-oriented programming (OOP) dalam representasi knowledge. Pengembangan sistem utuh memiliki pelbagai sumber knowledge, reasoning, dan informasi fuzzy. Penggunaan multiple knowledge base.3.1. Konsep Dasar ES.Expertise/Kepakaran.Kepakaran adalah knowledge yang ekstensif, spesifik yang didapatkan dari training, membaca, danpengalaman. Pelbagai jenis knowledge di bawah ini adalah contoh dari kepakaran: Fakta menganai area/daerah masalah. Teori mengenai area masalah. Aturan dan prosedur berkaitan dengan area masalah secara umum. Rules (heuristic) dari apa yang harus dikerjakan pada situasi masalah tertentu (contoh aturan yang berkaitan dengan penyelesaian masalah). Strategi global untuk menyelesaikan masalah tertentu. Meta-knowledge (knowledge mengenai knowledge itu sendiri).Expert/Pakar.Aktualnya adalah derajat atau level dari kepakaran.Umumnya, kepakaran seorang manusia terdiri dari aktivitas berikut ini: Mengenali dan merumuskan masalah. Menyelesaikan masalah secara cepat dan layak. Menjelaskan solusinya. Belajar dari pengalaman. Me-restrukturisasi knowledge. Breaking rules. Menentukan relevansi. Menguraikan dengan bijak (sesuai dengan keterbatasannya).Fakta mengenai Kepakaran. Kepakaran biasanya diasosiasikan dengan kecerdasan tingkat tinggi tetapi ini tidak mesti berhubungan dengan orang tercerdas. Kepakaran biasanya diasosiasikan dengan kuantitas knowledge. Pakar belajar dari keberhasilan dan kegagalan masa lalu. Knowledge dari seorang pakar disimpan dengan baik, diorganisasi, dan dapat dicari lagi dengan cepat. Pakar dapat mengenali pola yang lebih tinggi dari pengalamannya (excellent recall). 15 Sistem Berbasis Pengetahuan – Irfan Subakti

Bab 3 Expert SystemDi bawah ini adalah diagram distribusi kepakaran: 35 30 25 20 % 15 Average 10 5 0 1 2 3 4 5 6 7 8 9 10 Senior experts Deciles Juniors2 tipe knowledge yang dapat dibedakan adalah: fakta dan prosedur (biasanya rule) yang berkaitandengan domain permasalahan.Inferencing.Fitur khas dari ES adalah kemampuan untuk reasoning. Kenyataan bahwa kepakaran disimpandalam suatu knowledge base dan bahwa program memiliki akses ke database, maka komputerdiprogram sehingga dapat berinterferensi. Intererencing ini dilakukan oleh komponen yang disebutinference engine, yang di dalamnya terdapat prosedur-prosedur yang berkaitan denganpenyelesaian masalah. Di bawah ini adalah perbedaan antara Conventional Systems dan ES:Conventional Systems Expert SystemsInformation and its processing are usually Knowledge base is clearly separated from thecombined in one sequential program. processing (inference) mechanism (i.e., knowledge rules separated from the control).Program does not make mistakes Program may make mistakes.(programming do).Do not (usually) explain why input data are Explanation is a part of most ES.needed or how conclusions were drawn.Changes in the program are tedious. Changes in the rules are easy to accomplish.The system operates only when it is The system can operate with only a few rules (as thecompleted. first prototype).Execution is done on a step-by-step Execution is done by using heuristics and logic.(algorithmic) basis.Effective manipulation or large databases. Effective manipulation of large knowledge bases.Representation and use of data. Representation and use of knowledge.Efficiency is a major goal. Effectiveness is the major goal.Easily deal with quantitative data. Easily deal with qualitative data.Capture, magnify, and distribute access to Capture, magnify, and distribute access to judgmentnumeric data or to information. and knowledge.Rules.Kebanyakan ES komersial menggunakan sistem yang berbasis rule (rule-based system); yaituknowledge disimpan dalam bentuk rule-rule, yang merupakan prosedur untuk menyelesaikanmasalah.Kemampuan Menjelaskan.Fitur unik lain dari ES adalah kemampuan untuk menjelaskan nasehat atau rekomendasi yangdiberikan. Penjelasan dan justifikasi ini dilakukan oleh subsistem yang disebut dengan justifier atauexplanation subsystem. Ini menjadikan sistem dapat memeriksa reasoningnya dan menjelaskanoperasi-operasi yang dilakukan. Sistem Berbasis Pengetahuan – Irfan Subakti 16

Bab 3 Expert System3.2. Struktur ES.ES dibagi menjadi 2 bagian utama: development environment dan consultation (runtime)environment. Lingkungan pengembangan digunakan oleh ES builder untuk membangun komponendan untuk membawa knowledge ke dalam knowledge base. Lingkungan konsultasi digunakan olehorang yang bukan ahli untuk mendapatkan knowledge dan saran setara pakar.Komponen yang ada dalam ES: Knowledge acquisition subsystem [human experts, textbooks, researc reports]. Knowledge base [facts: situation & theory, heuristics or rules]. Inference engine [interpreter, scheduler, consistency enforcer]. Blackboard (workplace) [plan, agenda, solution]. User. User interface [friendly, problem oriented]. Explanation subsystem (justifier) [what, how, why]. Knowledge refining system [analyze performance, learn, improve].Inference Engine. Otak dari ES adalah Inference engine, disebut juga control structure atau the ruleinterpreter (pada rule-based ES). Komponen ini sebenarnya adalah program komputer yangmenyediakan metodologi untuk reasoning mengenai informasi dalam knowledge base dan dalam“blackboard”, dan digunakan untuk merumuskan kesimpulan.3 elemen utamanya adalah: Interpreter (rule interpreter dalam kebanyakan sistem), yang mengeksekusi item agenda yang dipilih dengan mengaplikasikannya pada knowledge base rule yang berhubungan. Scheduler, yang menjaga kontrol di sepanjang agenda. Memperkirakan akibat dari pengaplikasian inference rule yang menampakkan prioritas item atau kriteria lain pada agenda. Consistency enforcer, yang mencoba menjaga konsistensi representasi solusi yang muncul.Di bawah ini adalah diagram struktur dari ES: CONSULTATION ENVIRONMENT DEVELOPMENT ENVIRONMENT User Facts about the Specific Knowledge Base Incident Facts: What is Known about the Domain Area Rules: Logical Reference (e.g., User Interface Between Symptoms and Causes) Explanation Facility Knowledge Engineer Knowledge Interpreter Acquisition Recommended Inference Engine Scheduler Action Draw Conclusions Consistency Expert Enforcer Knowledge Blackboard (Workplace) Knowledge Plan Agenda Refinement Solution Problem DescriptionExplanation Subsystem (Justifier).Kemampuan untuk melacak kebenaran dari kesimpulan yang didapat dari sumber-sumbernyamerupakan hal yang krusial baik dalam tranformasi kepakaran maupun dalam penyelesaianmasalah. Bagian ini dapat melacak kebenaran dan menjelaskan perilaku ES dengan secara interaktifmenjawab pertanyaan seperti ini: Why was a certain question asked by the expert system? Sistem Berbasis Pengetahuan – Irfan Subakti 17

Bab 3 Expert System How was a certain conclution reached? Why was a certain alternative rejected? What is the plan to reach the solution? For example, what remains to be established before a final diagnosis can be determined?Knowledge Refining System.Dengan ini pakar dapat menganalisis kinerja mereka, belajar daripadanya, dan meningkatkannyapada konsultasi berikutnya.3.3. Elemen Manusia dalam ES.Orang-orang yang terlibat dalam pengembangan dan penggunaan ES:3. Pakar.4. Knowledge Engineer.5. User. Yang terdiri dari: Klien yang bukan pakar yang menginginkan nasehat langsung. Disini ES bertindak sebagai konsultan atau advisor/penasehat. Pelajar yang ingin belajar. ES disini bertindak sebagai instruktur. ES Builder yang ingin meningkatkan knowledge base-nya. Disini ES bertindak sebagai partner. Pakar. ES disini bertindak sebagai kolega atau sebagai asisten.6. Pihak lain. Misalnya: system builder, tool builder, vendor, staf pendukung. Lengkapnya dapat dilihat pada bagan di bawah ini: TOOL BUILDER EXPERT SUPPORT STAFF DOCUMENTED Test KNOWLEDGE Acquire Support Build Knowledge Tasks Use KNOWLEDGE Build TOOLS, LANGUAGES EXPERT SYSTEM ENGINEER Use Provide Build Use Connect VENDOR SYSTEM BUILDER END-USER3.4. Bagaimana ES Dibangun.3 aktivitas pembangunan ES adalah: Pengembangan (development). Konsultasi (consultation). Peningkatan (improvement).3.5. Bidang Permasalahan yang Ditangani ES.Pada tabel berikut disajikan kategori umum dari ES:Category Problem AddressedInterpretation Inferring situation description from observationsPrediction Inferring likely consequences of given situationsDiagnosis Inferring system malfunctions from observationsDesign Configuring objects under constraintsPlanning Developing plans to achieve goal(s)Monitoring Comparing observations to plans, flagging exceptionsDebugging Prescribing remedies for malfunctionsRepair Executing a plan to administer a prescribed remedyInstruction Diagnosing, debugging, and correcting student performanceControl Interpreting, predicting, repairing, and monitoring system behaviors3.6. Keuntungan ESPelbagai keuntungan potensial yang bisa diperoleh dari ES adalah: Meningkatkan output dan produktivitas. Meningkatkan kualitas. Mengurangi waktu kerusakan (downtime). Sistem Berbasis Pengetahuan – Irfan Subakti 18

Bab 3 Expert System Mengatasi kelangkaan kepakaran. Fleksibelitas. Pengoperasian peralatan lebih mudah. Menghilangkan kebutuhan akan peralatan yang mahal. Operasi pada lingkungan yang membahayakan. Akses ke knowledge dan help desk (sistem bantuan). Kehandalan. Meningkatkan kemampuan pelbagai sistem terkomputerisasi lainnya. Integrasi dari pelbagai opini para pakar. Kemampuan bekerja dengan informasi yang tidak komplit dan tak pasti. Penyediaan pelatihan (training). Peningkatan dalam hal penyelesaian masalah. Kemampuan menyelesaikan masalah yang kompleks. Transfer knowledge ke lokasi yang berbeda. Peningkatan kepada CBIS lainnya.3.7. Permasalahan dan Keterbatasan ES.Di bawah ini adalah pelbagai hal yang menghambat ES: Knowledge tak selalu tersedia. Kepakaran sulit diekstraksi dari manusia. Pendekatan untuk setiap pakar pada situasi tertentu selalu berbeda, dan tak mesti benar. Walaupun pakar tersebut memiliki ketrampilan yang tinggi, sukar untuk mengabstraksikan kepakarannya pada situasi tertentu, apalagi pakar tersebut bekerja di bawah tekanan. User dari ES memiliki batasan kognitif alamiah. ES bekerja baik hanya pada domain yang terbatas/sempit. Kebanyakan pakar tak memiliki rasa pengertian pengecekan yang independen walaupun konklusi mereka masuk akal. Kosa kata, atau jargon, yang digunakan pakar untuk mengekspresikan fakta dan relasinya biasanya jarang digunakan dan dimengerti oleh orang lain. Help seringkali dibutuhkan oleh knowledge engineer yang biasanya jarang tersedia dan mahal biayanya – sebuah fakta yang dapat membuat pembangunan ES lebih banyak memakan biaya. Kendala kepercayaan pada end-user bisa menghalangi penggunaan ES. Transfer knowledge bergantung pada persepsi dan bisa bias dalam prasangka.3.8. Jenis ES.ES muncul dalam pelbagai variasi. ES vs. Knowledge-based Systems. ES mendapatkan knowledge-nya dari para pakar, sedang KBS dari sumber-sumber terdokumentasi. KBS lebih murah dan lebih cepat dibangun dibandingkan ES. Rule-based Expert Systems. Knowledge direpresentasikan sebagai serangkaian rule-rule (production rules). Frame-based Systems. Knowledge direpresentasikan sebagai frame, yaitu representasi dari pendekatan Pemrograman Berbasis Objek (OOP). Hybrid Systems. Melibatkan pelbagai pendekatan representasi knowledge, paling tidak frame dan rule, tapi biasanya lebih dari itu. Model-based Systems. Tersusun di sekitar model yang mensimulasikan struktur dan fungsi dari sistem yang dipelajari. Model digunakan untuk menghitung nilai-nilai, yang dibandingkan dengan sedang diamati. Pembandingan tersebut memicu aksi (jika diperlukan) atau diagnosis lebih lanjut. Sistem yang diklasifikasikan oleh sifat alamiahnya. Ada 3 jenis. (1) berhubungan dengan evidence gathering (pengumpulan bukti-bukti), (2) stepwise refinement system. Sistem ini berhubungan dengan sejumlah besar keluaran dari level-level detil sesudahnya. (3) stepwise assembly, dimana domain subjek dapat mempunyai jumlah yang luar biasa besar keluaran yang mungkin. Jenis khusus dari ini disebut dengan catalog selection. Sistem ini berhubungan dengan masalah seperti pemilihan bahan kimia, baja yang benar. Sistem siap pakai (Off-the-Shelf Systems). Sebagai hasil dari produksi masal membuatnya lebih murah dibandingkan dengan sistem yang memenuhi keinginan user (customized system). Sayangnya sistem ini bersifat terlalu umum, dan nasehat/advis yang dihasilkan mungkin tak bernilai pada user yang dihadapkan pada situasi yang kompleks. Sistem Berbasis Pengetahuan – Irfan Subakti 19

Bab 3 Expert System Real-time Expert Systems. Sistem ini berkenaan dengan waktu, jadi harus cukup cepat mengontrol proses terkomputerisasi. Sistem selalu menghasilkan respon sesuai waktu yang diperlukan.3.9. Pengembangan ES.7 langkah yang diperlukan dalam pengembangan ES dapat dilihat pada diagram di bawah ini: Phase 1. Front End Analysis Identify appropriate problem Determine cost/effectiveness Arrange management support Phase 2. Task Analysis Identify appropriate task Identify behavioral sequence Identiy knowledge required Phase 3. Prototype Development Identify case studies (criteria) Develop a small system to provide proof of concept and practice Phase 4. System Development Rearrange overall structure as necessary Add knowledge Phase 5. Field Testing Test system with actual users Revise as necessary Phase 6. Implementation Port system to hardware to be used in the field Train users to use system Phase 7. Maintenance Establish means to update system Update system as neededMembangun ES yang spesifik dengan suatu shell dapat digambarkan dalam diagram di bawah ini: Symptoms, ⎫ Specific Problems Inference Engine, ⎪ User Rule and Program ⎪ Consultation Interpreters ⎪ Environment Recommendation, ⎪ Explanation ⎪ ⎬ ⎪ Knowledge Base ⎪ Sample Problems ⎪ (Cases) Facts Rules ⎪ ⎪ ⎭ Tests ⎫ Development Engine Knowledge ⎪ Development Editor, Engineer Expert ⎬ Environment Debugging Tools ⎪ ⎭ Sistem Berbasis Pengetahuan – Irfan Subakti 20

Bab 3 Expert SystemSoftware untuk membangun ES dapat digambarkan pada diagram berikut ini: Specific Expert Systems Expert Systems Shells General-Purpose Knowledge Engineering Languages ⎧ ⎪ General- Higher-Level ⎪ Support Purposes Programming System-Building Aids ⎪ Facilities Programming Language T⎪ Languages o⎪ o⎨ l ⎪ Knowledge s⎪ Programming Explanation Acquisition Design ⎪ ⎪ ⎪ General Symbol ⎩ Purpose ManipulationTahapan-tahapan dalam mengakuisisi knowledge digambarkan dalam diagram ini: IDENTIFICATION Identify Problem Characteristics Requierements CONCEPTUALIZATION Find Concepts to Represent Knowledge Concepts FORMALIZATION Design Structure to Organize Knowledge Structure IMPLEMENTATION Formulate Rules to Embody Knowledge Reformulations Refinements Redesigns Rules TESTING Validate Rules that Organize Knowledge Sistem Berbasis Pengetahuan – Irfan Subakti 21

Bab 3 Expert SystemSedangkan proses pengembangan ES itu sendiri digambarkan sebagai berikut: Problem Selection (Step 1) Select Expert(s) (Step 2) Conceptual Planning (Step 3) Select Software and Hardware Tools (Step 4) Knowledge Acquisition (Step 5)Build a Prototype ES (Step 6) Justifier Inference Engine Knowledge Base Blackboard Interface (Dialog) Rapid Prototyping Evaluate for Performance (Step 7) Evaluate for Acceptance Training (Step 8) Use in Parallel with Existing System (Step 9) Develop Documentation and Maintenance Plans (Step 10) System Release Full-Scale ES (Step 11) Sistem Berbasis Pengetahuan – Irfan Subakti 22

Bab 3 Expert SystemSalah satu contoh dari ES (IFPS) dapat digambarkan dalam diagram di bawah ini: COMPILESAVE Efficiency COMPILEGET Risk Analysis SPOOL RECORD Scenario OPTION MODEL *) Building WHAT IF DFNAME COMBINE WHAT IF SAVE COMMANDS CONSOLIDATE MONTE CARLO Monte Carlo Options Control Processing and Data Interrogation Print Editing SOLVE Results Variable List Solve Options ALL INSERT BASE MODEL Modeling REMOVE RECOMPILE Store STORE Subsystem CHANGE Probabilistic Results STORENT Value Control STOREP ANALYZE Store Options GOAL SEEKING Graph Executive Data File IMPACT Results PLOT Command Subsystem SENSITIVITY Plot Options Level DATAFILE *) Format Reports GENREPORT Command File Subsystem AUTO CMDFILE *) Manipulation Entry Processor END Report CATALOG Subsystem LIST COPY REPORT *) *) Text Editor DELETE Recognized RESEQUENCE MERGE AUTO LIST CONSOLDF END SAVE FILE QUIT Editing Commands Sistem Berbasis Pengetahuan – Irfan Subakti 23

Bab 3 Expert System Di bawah ini adalah diagram Financial Decision Support Model: Growth, Penetration, and Profit Strategies Price Units Net Sales Inventory Allowable Depreciation Change Costs Cost Reduction Profits Goals Required Billings Return on Assets Goals Billings Product Per Person Rationalization Assets Goal Inventories Receivables Cash and Other People/Sales Forecast People Goals Net Fixed Assets Facilities Pay/Person Requirements Cost/sq. ft. Payroll Facilities Capital Expenditure Capital Expenditures Ratios Requirements Cost Reduction Program Contoh-contoh dari tindakan Heuristic:Action ExplanationSequence jobs through a machine Do the jobs that require the least time first.Purchase stocks Do not buy stocks whose price-to-earnings ratio is larger than 10.Travel Do not go on the freeway between 8 and 9 A.M.Capital investment in high-tech projects Consider only projects whose estimated payback period is less than two years.Purchase of a house Buy only a good neighborhood, but buy there only at the lower price range. Sistem Berbasis Pengetahuan – Irfan Subakti 24

Bab 3 Expert SystemDi bawah ini adalah diagram Unified Architecture untuk Intelligent Decision Support System: Data Knowledge Model Base Base Base Intelligent Model Base Data Base Management Management System Inference System (MBMS) Engine (DBMS) Supervisor Central Intelligence Manager D S i u Knowledge Acquisition Natural Language a b Subsystem Interface l s o y g s t Knowledge User e Engineer mIntegrasi antara ES dengan software lain dapat digambarkan sebagai berikut: Rule Database Base Stats Inference Maths Package Engine Package User Graphics Interface Package3.10. Kesimpulan. ES menirukan proses reasoning dari pakar untuk menyelesaikan masalah yang sulit. Pendahulu ES adalah GPS (General-purpose Problem Solver). GPS dan yang serupa dengannya gagal disebabkan mereka mencoba menangani terlalu banyak dan mengabaikan pentingnya knowledge khusus yang dibutuhkan. Kekuatan ES diturunkan dari knowledge khusus yang dimiliki, dan bukan dari representasi knowledge tertentu dan skema inferencing yang dijalankan. Kepakaran adalah knowledge task khusus yang didapatkan dari pelatihan/training, membaca, dan pengalaman. Pakar dapat membuat keputusan yang cepat dan baik berkenaan dengan situasi yang kompleks. Kebanyakan knowledge dalam organisasi dimiliki oleh segelintir pakar. Teknologi ES mencoba untuk mentransfer knowledge dari pakar dan sumber-sumber terdokumentasi ke komputer dan bisa digunakan oleh yang bukan pakar. Kemampuan reasoning dalam ES disediakan oleh mesin inference (inference engine). Sistem Berbasis Pengetahuan – Irfan Subakti 25

Bab 3 Expert SystemKnowledge dalam ES dipisahkan dari inferencing (pemrosesannya).ES menyediakan kemampuan menjelaskan (explanation) yang terbatas.Terdapat perbedaan diantara lingkungan pengembangan (membangun ES) dan lingkungankonsultasi (menggunakan ES).Komponen utama dari ES adalah subsistem pengakuisisian knowledge, knowledge base,inference engine, blackboard, user interface, dan explanation subsystem.Knowledge engineer menangkap knowledge dari pakar dan memprogramnya ke dalamkomputer.Walaupun user utama dari ES adalah yang bukan pakar, user yang lain (seperti pelajar, ESbuilder, dan mungkin para pakar juga) juga menggunakan ES.Knowledge dapat berupa deklarasi (fakta) atau prosedur.ES dapat ditingkatkan dalam langkah-langkah iterasi menggunakan proses yang disebutdengan rapid prototyping (prototipe cepat).10 kategori umum ES adalah: interpretasi, prediksi, diagnosis, desain, perencanaan,pemantauan, debugging, perbaikan, instruksi, dan kontrol.ES dapat memberikan banyak keuntungan. Yang terpenting adalah peningkatan dalamproduktivitas dan/atau kualitas, penanganan kepakaran yang jarang didapatkan, peningkatansistem yang lain, penanganan informasi yang tak lengkap, dan penyediaan training/pelatihan.Walaupun ada pelbagai keterbatasan penggunaan ES, dengan adanya perkembangan teknologisemakin lama keterbatasan tersebut akan makin hilang.ES, seperti halnya pakar, dapat membuat kesalahan.Terdapat pelbagai pembedaan diantara sistem-sistem pakar (ES), dimana kebanyakanknowledge datang dari para pakar; serta knowledge systems, dimana mayoritas knowledgedatang dari sumber-sumber terdokumentasi.Pelbagai ES tersedia sebagai sistem yang siap pakai; ia mengolah dan memberikanadvis/nasehat umum untuk situasi standar.ES dapat juga bekerja dalam mode real-time (waktu nyata). Sistem Berbasis Pengetahuan – Irfan Subakti 26

Bab 4 Akuisisi dan Validasi Knowledge BAB 4 AKUISISI DAN VALIDASI KNOWLEDGE4.1. Rekayasa Knowledge. Rekayasa knowledge dapat dipandang dari 2 perspektif: sempit dan luas. Dalam perspektif luas, rekayasa knowledge menjelaskan keseluruhan proses pengembangan dan pengelolaan sistem AI. Dalam perspektif sempit, rekayasa knowledge berhubungan dengan akuisisi, representasi, validasi, inferencing, penjelasan, dan pengelolaan knowledge. Pengertian ini yang digunakan dalam pembahasan bab ini.Proses Rekayasa Knowledge.Dapat dilihat pada gambar di bawah ini: Knowledge Sources of Knowledge Validation (Experts, Others) (Test Cases) Knowledge Representation Knowledge Encoding Knowledge Base Representation Explanation, Justification Inferencing4.2. Skup Knowledge.Hal-hal yang berkenaan dengan knowledge, dapat digambarkan dalam bagan berikut ini: Behavior Uncertaint Descriptions Facts and Beliefs Knowledge about Knowledge (Metaknowledge) Processes Vocabulary Definitions Constraints Objects Knowledge and Base Relationships Facts about the Domain Heuristics and Decision Rules Hypotheses Disjunctive (Theories) Facts Procedures for Problem Solving General Knowledge Typical (e.g., of the World) SituationsSumber Knowledge. 2 sumber, terdokumentasi dan tak terdokumentasikan. Sumber tak terdokumentasikan ini yang seringkali dijumpai, ia berada dalam pikiran orang sehingga sulit didokumentasikan. 27 Sistem Berbasis Pengetahuan – Irfan Subakti

Bab 4 Akuisisi dan Validasi Knowledge Knowledge dapat diidentifikasikan dan dikumpulkan menggunakan indra manusia dan juga mesin (sensor, scanner). Keragaman dan pelbagai jenis knowledge menyebabkan akuisisi knowledge menjadi lebih kompleks.Akuisisi dari Database. Pelbagai ES dibangun dari knowledge yang diekstrak baik keseluruhan maupun sebagian dari database. Bertambahnya jumlah knowledge yang disimpan dalam database, menjadikan akuisisi lebih sulit dilakukan.Level Knowledge. Shallow knowledge (pengetahuan dangkal). Mengacu pada representasi informasi level permukaan yang berhubungan dengan situasi yang sangat spesifik. Salah satu contoh adalah aturan IF-THEN. Deep knowledge (pengetahuan dalam). Mengacu pada struktur dalam dan penyebab dari suatu sistem dan mempertimbangkan interaksi diantara komponen-komponen sistem. Ia berbasis secara penuh pada integrasi, hubungan erat kesadaran manusia yang melibatkan emosi, akal sehat, intuisi, dan lain-lain. Jenis knowledge ini sulit untuk dikomputerisasikan.Kategori Knowledge. Knowledge deklaratif. Representasi deskriptif dari suatu knowledge. Ia menceritakan kepada kita “apakah” (what) sesuatu itu. Diekspresikan dalam penyataan faktual. Menceritakan kebenaran yang didapat dan asosiasi-asosiasinya. Biasanya berjenis knowledge dangkal, atau level permukaan, informasi yang dapat diceritakan pakar secara verbal. Knowledge deklaratif ini sangat penting dalam tahap awal akuisisi knowledge. Knowledge prosedural. Mempertimbangkan perilaku dimana sesuatu bekerja di bawah keadaan-keadaan tertentu. Ia mengikutsertakan urutan langkah demi langkah dan jenis instruksi “bagaimana” (how-to); bisa juga mengikutsertakan penjelasan (explanation). Ia melibatkan tanggapan otomatis terhadap rangsangan. Ia juga menceritakan pada kita bagaimana menggunakan knowledge deklaratif dan bagaimana membuat inferences. Jadi secara implisit jenis knowledge ini menjelaskan juga pertanyaan “mengapa” (why). Metaknowledge. Berarti knowledge mengenai knowledge. Dalam ES, metaknowledge mengacu pada knowledge mengenai operasi sistem berbasis pengetahuan; yaitu, mengenai kemampuan reasoning (memberikan alasan/penjelasan).4.3. Kesulitan dalam Akuisisi Knowledge. Secara umum, mentransfer informasi dari satu orang ke orang lain adalah hal yang sulit. Beberapa mekanisme dapat digunakan untuk melakukan transfer ini – menuliskan kata-kata, suara, gambar, musik – dan tak satupun dari ini yang sempurna. Masalah juga ada dalam mentransfer knowledge, walaupun cuma pesan/message yang singkat. Mentransfer knowledge dalam ES lebih sulit lagi.Masalah-masalah dalam transfer knowledge. Mengekspresikan knowledge. Penyelesaian masalah dari para pakar ini meliputi 2 langkah proses. (1) Pakarmenginputkan informasi mengenai dunia luarnya ke dalam benaknya. Informasi ini disampaikanoleh orang, komputer, atau media lain. Juga dikumpulkan melalui sensor atau dipanggil kembalidari ingatan/memory. (2) Pakar menggunakan pendekatan induktif, deduktif, atau pendekatan lainpada informasi tersebut. Hasil dari seluruh proses ini merupakan rekomendasi tentang bagaimanamenyelesaikan masalah. Proses ini adalah proses internal. Knowledge engineer, saat mengumpulkan knowledge daripakar, harus menanyakan kepada para pakar agar mereka melihat ke dalam dirinya sendirimengenai proses pengambilan keputusan dan mengenai pengalaman-pengalaman yang terlibat didalamnya. Sangat sulit bagi para pakar dalam mengekspresikan pengalamannya mengenai prosestadi, khususnya pada pengalaman-pengalaman yang berasal dari sensasi, pertimbangan, ingatanindrawi, dan perasaan. Pakar sering mengabaikan proses detil bagaimana ia sampai mengambilkesimpulan. Juga, pakar mungkin menggunakan aturan yang berbeda dalam menyelesaikanmasalah-masalah dalam kenyataannya dibandingkan yang ia nyatakan dalam wawancara akuisisiknowledge. Transfer ke mesin. Knowledge ditransfer ke mesin dan diorganisasi dengan cara-cara tertentu. Mesin membutuhkan knowledge agar bisa mengekspresikannya secara jelas dalam Sistem Berbasis Pengetahuan – Irfan Subakti 28

Bab 4 Akuisisi dan Validasi Knowledge level yang lebih rendah, lebih detil daripada manusia. Knowledge manusia disimpan dalam format dengan susunan tertentu. Manusia jelas sulit mengingat semua langkah-langkah antara yang digunakan otaknya dalam pentransferan atau pemrosesan knowledge. Sehingga, ada ketidaksesuaian diantara komputer dan pakar. Jumlah partisipan. Dalam transfer umum knowledge ada 2 partisipan (pengirim dan penerima). Dalam ES, bisa terdapat 4 partisipan (ditambah dengan komputer): pakar, knowledge engineer, desainer sistem (builder, pembangun), dan user. Terkadang ada partisipan lain (misal, programer dan vendor). Para partisipan ini memiliki latar belakang yang berbeda, menggunakan istilah berbeda, dan memiliki ketrampilan dan knowledge yang berbeda pula. Sebagai contoh, sang pakar, mungkin sedikit sekali mengerti tentang komputer, sedangkan knowledge engineer sangat sedikit tahu tentang wilayah permasalahan. Struktur knowledge. ES selain membutuhkan knowledge, juga berkepentingan dengan struktur dari knowledge tersebut. Knowledge harus disusun menurut aturan tertentu (misal, sebagai rules/aturan-aturan). Alasan-alasan lain. Beberapa alasan yang menambahi kerumitan transfer knowledge:1. Pakar mungkin memiliki keterbatasan waktu atau tak bersedia bekerja sama.2. Testing dan penghalusan knowledge adalah sesuatu yang rumit.3. Definisi yang mungkin kurang baik dari metode mendapatkan suatu knowledge.4. Pembangun sistem bertendensi untuk mengumpulkan knowledge dari satu sumber, namun knowledge yang relevan mungkin harus diperoleh dari pelbagai sumber.5. Pembangun mungkin mencoba untuk mengumpulkan knowledge terdokumentasi daripada memanfaatkan para pakar. Knowledge yang dikumpulkan mungkin tak lengkap.6. Adalah sulit untuk mengenali knowledge tertentu jika ia tercampur dengan data yang tak relevan.7. Pakar mungkin mengubah perilakunya jika ia diamati dan/atau diwawancarai.8. Masalah komunikasi antarpersonal yang mungkin ada diantara knowledge engineer dan pakar.Mengatasi Pelbagai Kesulitan. Banyak usaha telah dilakukan untuk mengatasi kesulitan-kesulitan yang sudah dijelaskan tadi. Misalnya, mengembangkan program yang mampu menerima saran seperti yang sering diberikan kepada para user/pemula. Beberapa paket software pengembangan ES menyederhanakan sintaks dari rules (dalam sistem berbasis rule/aturan) untuk membuat ES builder lebih mudah membuat dan memahaminya tanpa pelatihan khusus. NLP bisa juga digunakan menerjemahkan knowledge ke struktur representasi knowledge tertentu. Lebih lanjut, beberapa kesulitan mungkin bisa dikurangi atau dihilangkan dengan tool akuisisi knowledge berbasis komputer dan dengan integrasi ekstensif dengan pelbagai usaha akuisisi.Ketrampilan yang dibutuhkan oleh Knowledge Engineer: Ketrampilan komputer (hardware, pemrograman, software). Toleransi dan ambivalensi (bisa bersikap mendua, untuk sementara). Kemampuan komunikasi yang efektif – sensitivitas, taktik, dan diplomasi. Latar belakang pendidikan yang luas. Ketrampilan verbal di bidang sosial yang canggih dan mendalam. Kemampuan untuk belajar cepat (dari bermacam-macam domain yang berbeda). Pemahaman mengenai organisasi dan individu. Pengalaman yang mumpuni dalam rekayasa knowledge. Intelijen/kecerdasan. Empati dan kesabaran. Ketekunan. Berpikir lojik. Mengetahui pelbagai hal dan suka hal-hal baru. Percaya diri.4.4. Metode Akuisisi Knowledge: Pendahuluan. Teknik mendapatkan knowledge dari pakar dapat dilakukan dengan cara manual atau dengan bantuan komputer. Kebanyakan teknik manual dipinjam (tetapi seringkali dimodifikasi) dari bidang Psikologi atau dari analisis sistem. Metode manual pada dasarnya dicirikan dengan jenis wawancara terstruktur. Sistem Berbasis Pengetahuan – Irfan Subakti 29

Bab 4 Akuisisi dan Validasi Knowledge Di bawah ini disajikan gambaran metode manual dalam akuisisi knowledge: Elic Expert(s) itat ion Knowledge Coding Knowledge Engineer Base Documented Knowledge Metode semiotomatis dibagi menjadi 2 kategori: (1) yang ditujukan untuk mendukung pakar dengan mengijinkan mereka membangun basis knowledge dengan tanpa atau sedikit bantuan knowledge engineer, yang dapat digambarkan seperti ini: Coding Computer-aided Knowledge Expert (Interactive) Base Interviewing Knowledge Engineer Dan (2) yang ditujukan untuk membantu knowledge engineer dengan mengijinkan mereka mengeksekusi task/tugas yang diperlukan dengan cara yang lebih efektif dan/atau efisien (terkadang dengan hanya partisipasi minimal sang pakar). Pada metode otomatis, peran dari pakar dan/atau knowledge engineer diminimalkan atau malah dihilangkan. Sebagai contoh, pada metode induksi yang diatur oleh sembarang builder (misal, seorang sistem analis). Pakar berperan minimal dan knowledge engineer tak diperlukan disini. Istilah otomatis mungkin salah diartikan. Pasti ada seorang/beberapa builder disitu, tapi memang tak diperlukan adanya knowledge engineer dan pakar, kalaupun ada itupun hanya sedikit. Metode induksi dapat digambarkan sebagai berikut: Case Histories Induction Knowledge and Examples System Base4.5. Wawancara. Format akuisisi knowledge yang paling umum adalah analisis wawancara tatap muka. Dalam wawancara, pakar diberi presentasi dengan kasus simulasi atau jika mungkin dengan masalah nyata secara singkat dimana ES nantinya diharapkan bisa menyelesaikan. Lalu sang pakar ditanyai untuk “menceritakan” kepada knowledge engineer mengenai solusinya. Terkadang metode ini disebut dengan metode walkthrough. Proses wawancara bisa membosankan. Ia terlalu memusatkan diri pada sang pakar, seorang yang harus mampu tak hanya mendemonstrasikan kepakarannya tapi juga dalam mengekspresikannya. Dengan kata lain, ia hanya membutuhkan perlengkapan kecil, sangat fleksibel dan bisa dilakukan dimana saja, dan dapat menghasilkan jumlah informasi yang berarti. 2 jenis wawancara: tak terstruktur (informal) dan terstruktur.Wawancara Tak Terstruktur. Kebanyakan wawancara akuisisi knowledge dilakukan secara informal, biasanya sebagai tahap permulaan. Memulai dengan cara informal bisa menghemat waktu; ia secara cepat membantu mendapatkan struktur dasar domain permasalahan. Lalu, umumnya hal ini akan diteruskan dengan teknik formal. Berbeda dengan anggapan banyak orang, wawancara tak terstruktur tidaklah sederhana. Kenyataannya, ini memberikan knowledge engineer bermacam-macam masalah efek berkelanjutan. Wawancara tak terstruktur jarang dapat menyediakan gambaran lengkap atau terorganisasi baik dari proses cognitif (pengenalan/pemahaman). Alasannya:1. domain biasanya rumit.2. pakar biasanya kesulitan dalam mengekspresikan elemen yang lebih penting dari knowledgenya.3. domain pakar mungkin menginterpretasikan struktur yang buruk karena persiapan yang kurang sebelum diadakan wawancara itu. Sistem Berbasis Pengetahuan – Irfan Subakti 30

Bab 4 Akuisisi dan Validasi Knowledge4. data yang didapat dari wawancara tak terstruktur sering tak berkaitan, terdiri dari bermacam- macam level kerumitan, dan sulit bagi knowledge engineer untuk mengkaji ulang, menginterpretasikan, dan mengintegrasikan.5. disebabkan kurangnya pelatihan dan pengalaman, sedikit knowledge engineer dapat melakukan wawancara tak terstruktur dengan efisien.Wawancara Terstruktur.Di bawah ini adalah prosedur untuk melakukan wawancara terstruktur: Knowledge engineer mempelajari materi yang tersedia pada domain untuk mengidentifikasi garis batas utama knowledge yang relevan. Knowledge engineer mengkaji ulang kemampuan ES yang direncanakan. Dia mengidentifikasi tujuan pertanyaan yang akan ditanyakan selama sesi akuisisi knowledge. Knowledge engineer secara formal menjadwal dan merencanakan (menggunakan form) wawancara terstruktur. Perencanaan ini termasuk juga janji bertemu secara fisik, mendefinisikan tujuan dan agenda sesi akuisisi knowledge, dan mengidentifikasi atau memperhalus wilayah utama pertanyaannya. Knowledge engineer dapat saja menuliskan contoh pertanyaan, berfokus pada jenis pertanyaan, level, dan teknik bertanya. Knowledge engineer meyakinkan pakar domain agar memahami maksud dan tujuan sesi ini dan mendorong pakar untuk bersiap-siap lebih dulu sebelum dilakukan wawancara tersebut. Selama wawancara knowledge engineer mengikuti arahan/panduan dalam melakukan wawancara. Selama wawancara knowledge engineer menggunakan kontrol arah/navigasi untuk mempertahankan struktur wawancara.4.6. Metode Pelacakan. Mengacu pada teknik yang mencoba untuk melacak proses reasoning dari seorang pakar. Ia merupakan pendekatan yang populer diantara para psikolog kognitif, yaitu orang yang tertarik untuk mengetahui jalan pikiran seorang pakar saat sang pakar tersebut mencapai kesimpulan. Knowledge engineer dapat menggunakan proses pelacakan ini untuk menemukan informasi apa yang digunakan dan bagaimana penggunaannya. Metode pelacakan dapat formal maupun informal. Metode formal yang paling umum adalah analisis protokol.Prosedur Analisis Protokol: Sediakan untuk sang pakar informasi dalam skala penuh yang berhubungan dengan suatu task/tugas. Tanyakan pada pakar untuk memverbalkan (mengucapkan secara lisan tugas) tersebut dalam cara yang sama seperti sang pakar itu menyelesaikannya secara normal, demikian juga minta sang pakar tersebut memverbalkan proses keputusannya dan catat pemverbalan ini di tape. Buatlah statemen-statemen dengan menuliskan protokol verbal tadi. Kumpulkan statemen yang kelihatannya banyak mengandung informasi. Sederhanakan dan tulis kembali statemen yang terkumpul dan susunlah tabel aturan-aturan produksi (production rules) dari statemen tadi. Buatlah serangkaian model dengan menggunakan aturan-aturan produksi tersebut.Keuntungan dan Keterbatasan Analisis Protokol. Advantage LimitationsExpert consciously considers decision-making Requires that expert be aware of why he or sheheuristics. makes a decision.Expert consciously considers decision Requires that expert be able to categorize majoralternatives attributes, values. decision alternatives.Knowledge engineer can observe and analyze Requires that expert be able to verbalize thedecision-making behavior. attributes and values of a decision alternative.Knowledge engineer can record, and later Requires that expert be able to reason about theanalyze with the expert key decision points. selection of a given alternative. Subjective view of decision making. Explanations may not track with reasoning. Sistem Berbasis Pengetahuan – Irfan Subakti 31

Bab 4 Akuisisi dan Validasi Knowledge4.7. Pengamatan dan Metode Manual Lainnya.Pengamatan (observasi). Dalam beberapa kasus, adalah mungkin untuk mengamati pakar saat bekerja di bidangnya. Dalam banyak kasus ini adalah pendekatan yang jelas dan terang dalam akuisisi knowledge. Kesulitannya adalah ia sulit diperkirakan. Contoh, kebanyakan pakar memberikan nasehat kepada beberapa orang, dan kemungkinan bekerja pada beberapa domain secara bersamaan. Observasi yang dilakukan harus mencakup semua aktivitas sang pakar. Sehingga, data yang dikumpulkan jumlahnya besar sekali dimana sebenarnya yang dibutuhkan cuma sedikit. Dalam hal lain, jika kita merekamnya dengan tape atau video, biaya menuliskan rekaman yang panjang itu patut pula dipertimbangkan. Pengamatan yang dapat dipandang sebagai kasus khusus dari protokol, terdiri dari 2 jenis: gerakan motorik dan gerakan mata. Gerakan motorik adalah kinerja fisik sang pakar (misal, berjalan, menggapai sesuatu, berbicara) yang didokumentasikan. Gerakan mata mendokumentasikan dimana sang pakar menetapkan pandangan matanya. Pengamatan digunakan utamanya sebagai cara mendukung protokol verbal. Biasanya mahal dan memakan waktu.Pelbagai metode manual lainnnya: Case analysis. Critical incident analysis. Commentaries. Conceptual graph. Brainstorming. Prototyping. Multidimensional scaling. Johnson’s hierarchical clustering.4.8. Metode Expert-driven. Ada 2 pendekatan: manual dan dibantu komputer (semiotomatis).Metode manual: laporan oleh sang pakar itu sendiri. Terkadang dimungkinkan untuk mendapatkan knowledge dari pakar secara manual dengan menggunakan daftar pertanyaan yang dapat diatur sendiri atau laporan yang terorganisasi. Pertanyaan berjenis open-ended (bentuk jawabannya bebas) digunakan untuk mendapatkan knowledge yang memiliki konsep level tinggi. Pertanyaan berjenis close-ended (bentuk jawabannya terbatas) lebih terstruktur dan mudah diisi, tetapi knowledge yang didapat juga terbatas. Sebagai tambahan dalam daftar pertanyaan, pakar mungkin ditanya mengenai catatan aktivitas mereka, persiapan mengajar mereka, atau laporan yang dihasilkan mengenai aktivitas penyelesaian masalah mereka. Laporan pakar dan daftar pertanyaan memunculkan sejumlah masalah seperti di bawah ini:1. Secara esensial mengharuskan pakar bertindak sebagai knowledge engineer, tanpa pelatihan untuk menjadi knowledge engineer.2. Laporan tersebut cenderung memiliki derajat bias yang tinggi; biasanya merefleksikan opini sang pakar mengenai bagaimana suatu task/tugas seharusnya dikerjakan daripada bagaimana yang sebenarnya dikerjakan.3. Pakar sering menjelaskan ide baru dan belum teruji, serta strategi-strategi yang telah direnungkannya tetapi hal-hal ini tak termasuk dalam perilaku pengambilan keputusan mereka. Juga mereka sering mencampuradukkan pengalaman lalu, perilaku sesungguhnya, dan perilaku “ideal” masa mendatang.4. Laporan pakar merupakan usaha yang memakan waktu, dan para pakar akan segera kehilangan ketertarikan pada suatu hal. Kualitas informasi yang dicapai akan terus berkurang di saat laporan terus berkembang.5. Pakar harus cakap dalam teknik diagram alur atau proses dokumentasi lainnya.6. Pakar mungkin lupa pada bagian khusus tertentu dari suatu knowledge (yang mungkin menimbulkan kerancuan).7. Pakar kelihatannya tak terlalu jelas dalam mengasosiasikan suatu kejadian (yang mungkin menimbulkan bias yang tak tentu). Sistem Berbasis Pengetahuan – Irfan Subakti 32

Bab 4 Akuisisi dan Validasi KnowledgePendekatan bantuan komputer. Tujuan dari dukungan terkomputerisasi ke pakar adalah mengurangi atau menghilangkan masalah potensial yang sudah dibahas pada pendekatan manual sebelumnya, khususnya pada masalah bias dan kerancuan. Tool akuisisi knowledge yang cerdas digunakan untuk menghaluskan dan mengkoreksi knowledge yang telah ada. Teknik pemodelan visual sering digunakan untuk menyusun model domain awal.4.9. Repertory Grid Analysis. Pengalaman sering berdasarkan persepsi, wawasan, dan intuisi. Sehingga banyak pakar kesulitan dalam mengekspresikan reasoning-nya. Pakar sering bingung membedakan fakta dan faktor yang sesungguhnya mempengaruhi pengambilan keputusan. Untuk mengatasinya, diturunkan dari bidang Psikologi, digunakan pendekatan yang disebut dengan classification interview (wawancara terklasifikasi). Karena terstruktur saat diaplikasikan ke teknologi, metode ini biasanya dibantu dengan komputer. Metode utamanya disebut dengan Repertory Grid Analysis (RGA). RGA berdasarkan model yang diusulkan oleh Kelly mengenai pemikiran manusia yang disebut dengan Personal Construct Theory. Berdasarkan teori ini, setiap orang dipandang sebagai “ilmuwan pribadi” yang mencari untuk memperkirakan dan mengontrol kejadian-kejadian dengan menyusun teori, mengetes hipotesis, dan menganalisis hasil percobaan. Knowledge dan persepsi mengenai dunia (atau mengenai domain atau suatu masalah) diklasifikasikan dan dikategorisasikan oleh setiap individu sebagai model personal, model perseptual. Berdasarkan model yang dikembangkan tadi, setiap individu mampu mengantisipasi dan lalu beraksi berdasarkan antisipasi ini. Model personal ini sesuai dengan cara pandang seorang pakar dalam bekerja; ia adalah gambaran dari pengembangan dan penggunaan knowledge dari sang pakar, dan selanjutnya ia layak untuk ES.Cara kerja RGA.1. Pakar mengidentifikasi objek-objek penting dalam domain kepakaran. Contoh: bahasa komputer (LISP, C, COBOL) adalah objek dalam kasus memilih bahasa komputer.2. Pakar mengidentifikasi atribut penting yang diperlukan dalam pengambilan keputusan dalam domain. Contoh: ketersediaan paket komersial dan kemudahan dalam pemrograman adalah hal penting dalam kasus memilih bahasa komputer.3. Untuk setiap atribut, pakar ditanyai untuk membuat skala bipolar dengan pembedaan karakteristik (sifat) dan lawannya. Contoh: dalam kasus memilih bahasa komputer, disajikan dalam tabel seperti di bawah ini. Attributes Trait OppositeAvailability Widely available Not availableEase of programming High LowTraining time Low HighOrientation Symbolic Numeric4. Pewawancara mengambil 3 objek sembarang dan bertanya: atribut dan sifat apakah yang membedakan 2 dari 3 objek ini? Jawaban ini diterjemahkan pada skala 1-3 (atau 1-5). Langkah ini diulang untuk beberapa objek trio lagi. Contoh: jika kumpulannya adalah LISP, PROLOG, dan COBOL; sang pakar mungkin menekankan pada “orientasi”. Lalu sang pakar mengatakan bahwa LISP dan PROLOG bersifat simbolik, sedangkan COBOL bersifat numerik. Dapat diisajikan dalam tabel seperti di bawah ini: Attribute Orientation Ease of Training Time Availability Programming Trait Symbolic (3) High (3) High (1) High (3) Opposite Numeric (1) Low (1) Low (3) Low (1)LISP 3 3 1 1PROLOG 3 2 2 1C 2 3 2 2COBOL 1 2 1 3Penggunaan RGA dalam ES. Contohnya adalah: Expertise Transfer System (ETS), Aquinas, dan Kriton. Sistem Berbasis Pengetahuan – Irfan Subakti 33

Bab 4 Akuisisi dan Validasi Knowledge4.10. Dukungan Knowledge Engineer. Sejumlah tool akuisisi dan encoding menghemat waktu yang diperlukan (dan/atau level ketrampilan) oleh knowledge engineer. Namun demikian, knowledge engineer dalam kasus ini tetap memainkan peran penting dalam proses tersebut, seperti terlihat pada gambar di bawah ini: Expert I Expert II Advise Knowledge Manage Acquisition Acquisition Knowledge Base Edit Knowledge Encoding Manage Engineer Encoding Computer Edit Knowledge Base Validate ES Tools Train Client II Client IAlat bantu akusisi knowledge. Editor dan antarmuka. Fasilitas untuk menjelaskan (explanation). Revisi dari basis pengetahuan. Pictorial Knowledge Acquisition (PIKA). Contoh: TEIRESIAS, EMYCIN, dan lain-lain.Alat bantu akuisisi knowledge terintegrasi. Masing-masing alat bantu yang sudah disebut diatas, biasanya bekerja sendiri-sendiri. Namun ada kecenderungan untuk mengintegrasikan semua alat bantu tadi. Contoh: Auto-Intelligence, KADS (Knowledge Acquisition and Documentation System).Front-end Tools. Contoh: Knowledge Analysis Tool (KAT) mengkonversi knowledge ke format rule khusus untuk satu tool yang disebut Level5. NEXTRA adalah tool serupa yang membantu knowledge engineer untuk meng-kode rule dalam Nexpert Object.4.11. Induksi Rule, Case-based Reasoning, dan Komputasi Syaraf.Metode untuk mendapatkan knowledge yang manual dan semiotomatis ternyata lamban danmahal, ternyata masih ditambahi lagi dengan kekurang-kekurangan seperti ini: Sulit untuk memvalidasi knowledge yang diperoleh. Seringkali terdapat korelasi lemah diantara laporan verbal dan perilaku mental. Dalam situasi tertentu pakar tak mampu menyediakan keseluruhan hal tentang bagaimana suatu keputusan tersebut mereka buat. Sistem Berbasis Pengetahuan – Irfan Subakti 34

Bab 4 Akuisisi dan Validasi Knowledge Kualitas suatu sistem banyak tergantung pada kualiatas pakar dan knowledge engineer. Pakar tak memahami teknologi ES. Knowledge engineer tak memahami, dalam banyak kasus, sifat dasar bisnis.Sehingga diperlukan pengembangan metode akuisisi knowledge yang dapat mengurangi ataumenghilangkan kebutuhan dari 2 partisipan ini. Metode ini disebut dengan akuisisi knowledge yangdibantu oleh komputer, atau akuisisi knowledge otomatis, dengan tujuan: Meningkatkan produktivitas pekerjaan knowledge engineer (mengurangi biaya). Mengurangi level ketrampilan yang diperlukan oleh knowledge engineer. Menghilangkan (atau mengurangi secara drastis) kebutuhan akan pakar. Menghilangkan (atau mengurangi secara drastis) kebutuhan akan knowledge engineer. Meningkatkan kualitas knowledge yang didapat.Induksi Rule Otomatis. Induksi berarti proses reasoning dari hal khusus ke hal umum. Dalam ES istilah ini mengacu pada proses dimana rule dihasilkan oleh program komputer dari contoh kasus. Sistem induksi rule menyediakan contoh-contoh masalah (disebut dengan training set/kumpulan pelatihan) dimana hasilnya diketahui. Setelah ia diberi cukup contoh, sistem induksi rule dapat membuat rule yang sesuai dengan contoh kasus. Rule ini lalu dapat digunakan untuk membantu kasus lain dimana hasilnya tak diketahui. Jantung dari sistem induksi rule adalah algoritma yang digunakan untuk menginduksi rule dari contoh-contoh. Contoh dari algoritma induksi ini adalah: ID3. Pertama kali ID3 mengkonversi matriks knowledge ke dalam pohon keputusan. Atribut yang tak relevan dihilangkan dan atribut yang relevan diorganisasi dalam cara yang efisien. Contoh dari induksi rule sederhana dapat dilihat pada pekerjaan petugas bagian pinjaman di bank. Permintaan akan pinjaman meliputi informasi peminta pinjaman, seperti tingkat pendapatan, aset, usia dan jumlah tanggungannya. Ini merupakan atribut, atau karakteristik dari peminta pinjaman. Jika kita mencatat beberapa contoh kasus, semuanya dengan keputusan final, kita akan dapatkan situasi yang dapat digambarkan seperti tabel di bawah ini: Attributes Annual Number of Applicant Income ($) Assets ($) Age Dependents Decision Mr. White 50,000 100,000 30 3 Yes Ms. Green 70,000 None 35 1 Yes Mr. Smith 40,000 None 33 2 No Ms. Rich 30,000 250,000 42 0 Yes Dari kasus diatas, adalah mudah mendapatkan 3 rule ini:1. Jika pendapatannya $70,000 atau lebih, setujui permintaan pinjamannya.2. Jika pendapatannya $30,000 atau lebih, umurnya paling sedikit 40 tahun, asetnya melebihi $249,000, dan ia tak mempunyai tanggungan, setujui permintaan pinjamannya.3. Jika pendapatannya diantara $30,000 dan $50,000 dan asetnya paling sedikit $100,000, setujui permintaan pinjamannya.Keuntungan dari induksi rule. Dengan menggunakan induksi rule maka ES dapat digunakan untuk hal-hal yang lebih rumit, dan lebih menguntungkan secara komersial. Keuntungan lainnya adalah pembangun (builder) tak harus menjadi knowledge engineer. Ia bisa berasal dari seorang pakar atau analis sistem. Ini berarti tak hanya menghemat waktu dan uang, tapi juga menyelesaikan kesulitan yang berhubungan dengan knowledge engineer yang merupakan orang luar yang tak familier dengan “bisnis”. Mesin induksi juga menawarkan kemungkinan mendeduksi knowledge baru. Dimungkinkan mendaftar semua faktor yang mempengaruhi keputusan, tanpa pemahaman akan dampaknya, dan untuk menginduksi rule yang bekerja dengan baik. Sekali rule dihasilkan, maka ia dapat dikaji ulang oleh pakar dan bila diperlukan bisa dimodifikasi. Keuntungan besar dari induksi rule adalah ia meningkatkan proses pemikiran dari sang pakar. Sistem Berbasis Pengetahuan – Irfan Subakti 35

Bab 4 Akuisisi dan Validasi KnowledgeKesulitan dalam implementasi. Beberapa program induksi yang dapat menghasilkan rule, mungkin tak mudah bagi orang untuk memahaminya, disebabkan cara program mengklasifikasikan atribut masalah dan propertinya mungkin tak sesuai dengan cara manusia melakukan hal itu. Program induksi rule tak memilih atribut. Sang pakar tetap harus memilih atribut mana yang signifikan; misal, faktor penting untuk menyetujui pinjaman. Proses pencarian dalam induksi rule berdasarkan algoritma khusus yang menghasilkan pohon keputusan yang efisien, yang mengurangi jumlah pertanyaan yang harus ditanyakan sebelum suatu kesimpulan dapat dicapai. Ada beberapa alternatif algoritma yang lain dan mereka berbeda-beda dalam proses dan kemampuan. Metode ini baik hanya untuk rule-based (berbasis aturan), masalah berjenis klasifikasi, khususnya pada jenis ya0tidak. (Namun demikian, banyak masalah dapat diurai atau dipilah- pilah sehingga menjadi kategori klasifikasi). Jumlah atribut harus cukup kecil. Kalau atributnya lebih dari 15, mungkin diperlukan mainframe. Batas atas jumlah atribut ini dengan adanya perkembangan hardware dan software komputer sekarang ini sudah meningkat jauh. “Kecukupan” jumlah contoh-contoh yang diperlukan bisa sangat besar. Kumpulan contoh-contoh harus di-“bersihkan”; sebagai contoh, kasus-kasus yang merupakan pengecualian dari rule harus dihilangkan dulu. Metode ini terbatas pada situasi yang tertentu (deterministik). Masalah utama dengan metode ini adalah pembangun (builder) tak tahu lebih jauh apakah jumlah contoh-contoh sudah mencukupi dan apakah algoritmanya sudah cukup baik.Induksi interaktif. Kombinasi dari pakar yang didukung oleh komputer disebut dengan induksi interaktif. Ia dapat menangkap knowledge dari pakar melalui wawancara interaktif, menyaring knowledge, dan lalu secara otomatis menghasilkan knowledge berbasis rule.Case-based reasoning. Pendekatan pembangunan ES dengan mengakses pengalaman-pengalaman penyelesaian masalah (studi kasus) untuk memperkirakan solusi dalam penyelesaian masalah di masa depan. Koleksi dari kasus-kasus historis dan penyelesaiannya membentuk knowledge base. Pengambil keputusan memanggil kembali kasus-kasus sebelumnya yang mungkin identik dengan kasus baru, walaupun dalam banyak hal tak bisa identik. Mereka mungkin menunjukkan sedikit kemiripan dengan kasus baru, tetapi walaupun sedikit hal itu tetap saja berguna. Akuisisi knowledge sangat mudah dilakukan, karena data historis berada dalam file dan hanya memerlukan sedikit verifikasi dari pakar.Komputasi Syaraf. Pendekatan penyelesaian masalah yang lain dimana data historis digunakan untuk menurunkan solusi ke masalah yang baru. Berbeda dengan case-based reasoning, komputasi syaraf bekerja dalam domain yang cukup sempit menggunakan pendekatan pengenalan pola. Untuk itu diperlukan sejumlah besar kasus- kasus historis. Akuisisi knowledge menjadi sederhana, karena kasus-kasus historis dan penyelesaiannya biasanya tersedia dalam database perusahaan. Sekali lagi, konsultasi kepada pakar dapat dilakukan selama validasi dan verifikasi, tetapi peran mereka sudah jauh berkurang, dan juga usaha dan pengeluaran yang harus dilakukan untuk akuisisi knowledge.4.12. Memilih Metode yang Sesuai.Tujuan sistem akuisisi knowledge ideal adalah: Mengarahkan interaksi dengan pakar tanpa intervensi knowledge engineer. Dapat diaplikasikan untuk domain masalah yang tak terbatas, atau paling tidak banyak klas. Kemampuan tutorial untuk menghilangkan kebutuhan akan pelatihan awal bagi sang pakar. Kemampuan untuk menganalisis pekerjaan yang sedang berlangsung untuk mendeteksi ketidakkonsistenan dan kesenjangan di dalam knowledge. Kemampuan untuk menggabungkan bermacam-macam sumber knowledge. Antarmuka manusia (misal, percakapan biasa) yang membuat penggunaan sistem terasa nyaman dan menarik. Sistem Berbasis Pengetahuan – Irfan Subakti 36

Bab 4 Akuisisi dan Validasi Knowledge Kemampuan dalam antarmuka secara mudah dengan pelbagai tool ES yang berbeda yang sesuai dengan domain permasalahan.4.13. Akuisisi Knowledge dari Banyak Pakar. Di bawah ini disajikan keuntungan dan masalah yang terjadi dari partisipasi banyak pakar: Benefits ProblemsOn the average, fewer mistakes by a group of Groupthink phenomena.experts than by a single expert.Several experts in group eliminate need for Fear on the part of some domain experts ofusing world-class expert (who is difficult to get senior experts or a supervisor (lack ofand expensive). confidentiality).Wider domain than a single expert’s. Compromising solutions generated by a group with conflicting opinions.Synthesis of expertise. Waste of time in group meeting.Enhanced quality from synergy among experts. Difficulties in scheduling the experts. Dominating experts (controlling, not letting others speak).Skenario dari banyaknya pakar yang terlibat. Pakar individu. Pakar utama dan pakar pendamping. Grup kecil. Panel.Metode penanganan banyak pakar.Beberapa pendekatan utama dalam hal mengintegrasikan opini dari banyak pakar adalah: Padukan beberapa jalur reasoning melalui metode konsensus. Gunakan pendekatan analitis. Jagalah jalur reasoning agar selalu jelas dan pilihlah jalur reasoning yang spesifik berdasarkan situasi tertentu. Otomatisasikan prosesnya. Uraikan knowledge yang sudah didapat ke dalam sumber knowledge khusus (blackboard systems).Jadi metode yang dipakai adalah: Metode konsensus. GDSS. Pendekatan analitis. Jalur reasoning spesifik. Proses terotomatisasi. Blackboard Systems.4.14. Validasi dan Verifikasi Knowledge Base.Akuisisi knowledge melibatkan aspek-aspek kontrol kualitas yang muncul dalam istilah evaluasi,validasi, dan verifikasi. Evaluasi adalah konsep yang luas. Tujuannya adalah menilai keseluruhan nilai dari ES. Sebagai tambahan untuk menilai pada level kinerja yang dapat diterima, ia menganalisis jika sistem tersebut dapat dipakai, efisien, dan efektif dalam hal biayanya. Validasi adalah bagian dari evaluasi yang berhubungan dengan kinerja dari sistem (misal, dibandingkan dengan yang dilakukan pakar). Singkatnya, validasi mengacu pada pembangunan sistem yang “benar”; sehingga, menandakan bahwa sistem bekerja dengan level akurasi yang dapat diterima. Verifikasi mengacu pada pembangunan sistem dengan “benar”; menandakan bahwa sistem diimplementasikan dengan benar sesuai dengan spesifikasinya. Di bawah ini disajikan tabel mengenai ukuran-ukuran validasi: Measure (Criteria) DescriptionAccuracy How well the system reflects reality; how correct the knowledge is in the knowledge baseAdaptability Possibilities for future development, changesAdequacy (or completeness) Portion of the necessary knowledge that is included in the knowledge baseAppeal How well the knowledge base matches intuition and Sistem Berbasis Pengetahuan – Irfan Subakti 37

Bab 4 Akuisisi dan Validasi Knowledge Measure (Criteria) Description stimulates thought and practicabilityBreadth How well the domain is coveredDepth Degree of the detailed knowledgeFace validity Credibilitiy of knowledgeGenerality Capability of a knowledge base to be used with a broad range of similar problemsPrecision Capability of the system to replicate particular system parameters; consistency of advise; coverage of variables in knowledge baseRealism Accounting for relevan variables and relations; similarity to realityReliability Fraction of the ES predictions that are empirically correctRobustness Sensitivity of conclusions to model struktureSensitivity Impact of changes in the knowledge base on quality of outputsTechnical and operational validity Goodness of the assumed assumptions, context, constraints, and conditions, and their impact on other measuresTuring test Ability of a human evaluator to identify if a given conclusion is made by an ES or by a human expertUsefulness How adequate the knowledge is (in terms of parameters and relationships) for solving correctlyValidity Knowledge base’s capability of producing empirically correct predictions4.15. Analisis, Kodifikasi, Dokumentasi, dan Pendiagraman. Knowledge yang sudah terkumpul harus dianalisis, dikodekan, dan didokumentasikan. Langkah-langkah prosesnya adalah: transkripsi, pengindeksan frase, pengkodean knowledge, dan dokumentasi. Pendiagraman knowledge adalah pendekatan grafis untuk meningkatkan proses akuisisi knowledge. Ia terdiri dari deskripsi hirarki, top-down dari tipe-tipe utama knowledge yang digunakan untuk menjelaskan fakta dan strategi reasoning untuk penyelesaian masalah dalam ES. Tipe-tipe itu adalah objek, kejadian, kinerja, dan metaknowledge. Pendiagraman juga menjelaskan keterkaitan dan interaksi diantara pelbagai tipe knowledge.4.16. Akuisisi Knowledge Numerik dan Terdokumentasi.Akuisisi knowledge numerik. Metode akuisisi knowledge tradisional didesain utamanya berhubungan dengan representasi simbolik dari suatu knowledge. Ada saran untuk mengkomplemen akuisisi knowledge simbolik dengan numerik. Metodologinya disebut dengan abduction (“penculikan”), yang menangani hubungan numerik, hubungan yang kompleks, dan tak pasti. Metodologi ini diimplementasikan ke dalam proses yang disebut proses akuisisi knowledge campuran.Akuisisi knowledge terdokumentasi. Dalam banyak kasus, knowledge dapat diperoleh dari sumber-sumber yang lain, selain dari pakar manusia. Keuntungan utama dari pendekatan ini adalah: tak diperlukan adanya seorang pakar. Pendekatan ini digunakan dalam knowledge-based systems (sistem berbasis pengetahuan) yang perhatiannya ditujukan untuk menangani informasi yang berjumlah besar atau rumit daripada kepakaran kelas dunia. Contohnya adalah pencarian diantara manual kebijakan perusahaan atau dari katalog perusahaan. Pendekatan ini memiliki potensi besar untuk otomatisasi. Knowledge terdokumentasi kebanyakan mudah (dan murah) di-scan dan ditransfer ke database komputer. Kemudian analisis dari knowledge ini dapat dilakukan secara manual, tetapi juga bisa dilakukan dengan teknologi AI (diharapkan dengan kombinasi pemahaman pembicaraan dan ES). Sehingga ES dapat digunakan untuk membangun ES yang lainnya. ES dapat men-scan database dan mendigitalkan buku, jurnal, dan majalah, dan kemampuan ini bisa ditingkatkan. Sistem Berbasis Pengetahuan – Irfan Subakti 38

Bab 4 Akuisisi dan Validasi Knowledge Data yang tersimpan dalam sistem komputer lain dapat diambil kembali secara elektronis untuk membuat atau memperbarui knowledge base dari ES, semuanya dengan tanpa melibatkan knowledge engineer atau pakar.4.17. Kesimpulan. Rekayasa knowledge melibatkan akuisisi, representasi, reasoning (inference), dan penjelasan (explanation) dari knowledge. Knowledge tersedia dari banyak sumber, baik itu yang terdokumentasi maupun yang tidak (para pakar). Knowledge bisa sempit, menjelaskan relasi input-output sempit; atau luas, menjelaskan interaksi yang rumit dan operasi sistem. Akuisisi knowledge, khususnya dari pakar manusia, adalah tugas yang sulit disebabkan masalah komunikasi dan pemrosesan informasi. Proses akuisisi knowledge terbagi atas 5 tahapan: identifikasi, konseptualisasi, formalisasi, implementasi, dan testing. Metode akuisisi knowledge dapat dibagi menjadi manual, semiotomatis, dan otomatis. Pendekatan manual utama adalah wawancara. Metode wawancara berkisar dari yang sama sekali tak terstruktur sampai yang strukturnya tinggi. Proses reasoning dari para pakar dapat dilacak dengan beberapa metode. Analisis protokol adalah metode utama yang digunakan dalam AI. Walaupun dimungkinkan untk mengamati pakar dalam pekerjaannya, pengamatan ini terbatas dalam hal skupnya. Dicoba untuk mengurangi atau menghilangkan peran knowledge engineer dengan menyediakan tool manual dan/atau tool terkomputerisasi ke pakar agar bisa mengakuisisi knowledge sendiri. RGA adalah metode yang paling banyak diaplikasikan untuk wawancara semiotomatis, digunakan dalam AI. Beberapa paket software yang menggunakan RGA dapat meningkatkan proses akuisisi knowledge. Bermacam tool produktivitas tersedia buat akuisisi knowledge (misal, editor, antarmuka, pendiagraman). Induksi rule menguji kasus-kasus historis dan menghasilkan rule yang digunakan atas dasar rekomendasi yang pasti. Induksi rule dapat digunakan oleh system engineer, pakar, atau pun pembangun (builder) sistem yang lain. Beberapa prosedur tersedia untuk memilih metode yang sesuai dalam akuisisi knowledge untuk situasi khusus tertentu. Ada keuntungan disamping ada keterbatasan dan masalah dalam penggunaan beberapa/banyak pakar untuk membangun knowledge base. 4 skenario yang mungkin dalam menggunakan banyak kepakaran adalah: pakar individu, pakar utama dan pakar pendamping, grup kecil, dan panel. Metode utama yang berkenaan dengan pelibatan banyak pakar adalah metode konsensus, pendekatan analitis, pemilihan jalur reasoning yang sesuai, otomatisasi proses, dan blackboard system. Validasi dan verifikasi knowledge base merupakan faktor penentu keberhasilan dalam implementasi ES. Lebih dari selusin ukuran-ukuran spesifik yang tersedia untuk menentukan validitas knowledge. Metode akuisisi knowledge otomatis lebih mudah untuk memvalidasi dan memverifikasi. Knowledge yang sudah didapat harus dianalisis dan dikodekan sebelum direpresentasikan dalam komputer. Case-based reasoning, komputasi syaraf, dan pelbagai tool pembelajaran mesin dapat lebih meningkatkan task/tugas dari akuisisi knowledge. Sistem Berbasis Pengetahuan – Irfan Subakti 39

Bab 5 Knowledge-Based Expert Systems BAB 5 KNOWLEDGE-BASED EXPERT SYSTEMS5.1. Pengertian. Knowledge-Based Expert Systems (KBS) pengertiannya serupa dengan Expert Systems(ES), yaitu program pemberi advis/nasehat yang terkomputerisasi yang ditujukan untuk menirukanatau menggantikan proses reasoning dan pengetahuan (knowledge) dari para pakar dalammenyelesaikan permasalahan masalah yang spesifik. Karakteristiknya: Dapat belajar dari pengalaman. Mentransfer knowledge dari satu domain ke domain yang lain. Dapat memberikan proses reasoning dalam pelbagai level. Menggunakan tool-tool: heuristics (rule of thumb), mathematical models, simulations.5.2. Rules dan Rule Chaining. antecedents consequentsIF (antecedents) THEN consequentsContoh: Mengidentifikasi binatang.Sebuah robot dapat mempersepsikan fitur-fitur dasar: color, size, has hair, gives milk. Tetapi,kemampuannya mengidentifikasi obyek berdasarkan fitur-fitur tersebut diatas adalah terbatas. Diadapat membedakan binatang-binatang dari obyek yang lain, tetapi ia tak dapat menggunakan faktabahwa sebagian binatang yang memiliki leher panjang disebut dengan jerapah.Rule-nya:Z1 IF ?x has hair THEN ?x is a mammalZ2 IF ?x gives milk THEN ?x is a mammalZ3 IF ?x has feathers THEN ?x is a birdZ4 IF ?x flies ?x lays eggs THEN ?x is a birdZ5 IF ?x is a mammal ?x eats meat THEN ?x is a carnivoreZ6 IF ?x is a mammal ?x has pointed teeth ?x has claws ?x has forward-pointing eyes THEN ?x is a carnivoreZ7 IF ?x is a mammal ?x has hoofs THEN ?x is an ungulateZ8 IF ?x is a mammal ?x chews end THEN ?x is an ungulateZ9 IF ?x is a carnivore ?x has tawny color ?x has dark spots THEN ?x is a cheetahZ10 IF ?x is a carnivore ?x has tawny color ?x has black strips THEN ?x is a tiger 40 Sistem Berbasis Pengetahuan – Irfan Subakti

Bab 5 Knowledge-Based Expert SystemsZ11 IF ?x is a ungulate ?x has long neck ?x has long legs ?x has tawny color ?x has dark spots THEN ?x is a giraffeZ12 IF ?x is a ungulate ?x has white color ?x has black strips THEN ?x is a zebraZ13 IF ?x is a bird ?x does not fly ?x has long legs ?x has long neck ?x has black and white THEN ?x is a ostrichZ14 IF ?x is a bird ?x does not fly ?x swims ?x has black and white THEN ?x is a penguinZ15 IF ?x is a bird ?x is a good flyer THEN ?x is an albatrossSistem Deduksi terdiri atas: Forward chaining. Backward chaining.5.3. Forward dan Backward Chaining.Forward Chaining. has hair fired 1st is a mammal Z1 deduced assertion is an fired 2nd Z8 ungulate chews end assertions has long legs has a long neck fired 3rd is a giraffe Z11 has a tawny color has dark spots Identify an animal Until no rule produces a new assertion or the animal is identified For each rule: - Try to support each of the rule’s antecedents by matching it to known facts. - If all the rule’s antecedents are supported, assert the consequent rules there is an identical assertion already. - Report for all matching and instantiation alternatives. Sistem Berbasis Pengetahuan – Irfan Subakti 41

Bab 5 Knowledge-Based Expert SystemsBackward chaining. has forward-pointing eyes has claws 4th rule used is a carnivore has pointed teeth Z6 is a mammal has hair 3rd rule used Z1 2nd rule used is a carnivore eats meat Z5 has a tawny color 1st rule used is a cheetah Z9 has dark spots Repeat until all hypothesis have been tried and none have been supported or until the animal is identified. For each hypothesis, For each rule whose consequent matches the current hypothesis, Try to support each of the rule’s antecedents by matching it to assertions. If all the rule’s antecedents are supported, announce success And conclude that the hypothesis is true.Note: The chaining ends unsuccessfully if any required antecedent assertions cannot be supported.Mana yang dipilih, forward ataukah backward chaining? Bagaimanakah hubungan antara rule dengan fakta-faktanya, sehingga didapatkan konklusinya. Jika masalah yang dihadapi lebih dekat ke fan out (sekumpulan fakta yang bisa menuju ke banyak konklusi), maka pilihlah backward chaining. Jika masalah yang dihadapi lebih dekat ke fan in (sekumpulan hipotesis yang bisa menuju ke banyak pertanyaan), maka pilihlah forward chaining. Banyak cara untuk mendapatkan sedikit konklusi forward chaining. Sedikit cara untuk mendapatkan banyak konklusi backward chaining. Jika kita belum mendapatkan pelbagai fakta, dan kita tertarik hanya pada satu konklusi yang mungkin, maka digunakanlah backward chaining. Jika kita benar-benar sudah mendapatkan pelbagai fakta, dan kita ingin untuk mendapatkan konklusi dari fakta-fakta itu, maka digunakanlah forward chaining.Tipe sistem yang dapat dicari dengan forward chaining:1. Sistem yang dipresentasikan dengan satu atau beberapa kondisi.2. Untuk setiap kondisi, sistem mencari rule-rule dalam knowledge base untuk rule-rule yang berkorespondensi dengan kondisi dalam bagian IF.3. Setiap rule dapat menghasilkan kondisi baru dari konklusi yang diminta pada bagian THEN. Kondisi baru ini ditambahkan ke kondisi lain yang sudah ada.4. Setiap kondisi yang ditambahkan ke sistem akan diproses. Jika ditemui suatu kondisi, sistem akan kembali ke langkah 2 dan mencari rule-rule dalam knowledge base kembali. Jika tidak ada konklusi baru, sesi ini berakhir.Tipe sistem yang dapat dicari dengan backward chaining:1. Sistem yang dipresentasikan dengan satu atau beberapa kondisi.2. Untuk setiap konklusi, sistem mencari rule-rule dalam knowledge base untuk rule-rule yang berkorespondensi dengan konklusi pada bagian THEN.3. Setiap konklusi dihasilkan dari kondisi-kondisi yang terdapat pada bagian IF. Selanjutnya kondisi-kondisi tersebut menjadi konklusi baru yang dimasukkan ke stack di atas konklusi yang sudah ada.4. Setiap konklusi yang ditambahkan ke sistem akan diproses. Jika ditemui suatu konklusi, sistem akan kembali ke langkah 2 dan mencari rule-rule dalam knowledge base kembali. Jika tidak ada konklusi baru, sesi ini berhenti. Sistem Berbasis Pengetahuan – Irfan Subakti 42

Bab 5 Knowledge-Based Expert Systems5.4. Desain Implementasi Forward dan Backward Chaining.Forward chaining.1. Identifikasi kondisi.2. Variabel kondisi ditempatkan pada Conclusion Var. Queue dan nilainya dicatat pada Variable List.3. Diadakan pencarian pada Clause Var. List untuk variabel yang namanya sama dengan nama pada awal queue. Jika ketemu, nomor rule dan 1 diisikan pada Clause Var. Pointer. Jika tak ketemu, ke langkah 6.4. Setiap variabel dalam IF clause dari rule yang belum diisi, selanjutnya diisi. Variabel-variabel ditempatkan dalam Clause Var. List. Jika semua clause benar kondisinya, bagian THEN dijalankan.5. Pengisian bagian THEN pada variabelnya ditempatkan pada bagian belakang di Conclusion Var. Queue.6. Jika tak ada lagi statemen IF yang mengandung variabel yang berada di awal Conclusion Var. Queue, maka variabel tersebut dihapus.7. Jika tak ada lagi variabel pada Conclusion Var. Queue, pencarian berakhir; jika masih ada variabel yang lain, kembali ke langkah 3.Backward chaining.1. Identifikasi konklusi.2. Cari pada Conclusion List untuk pengisian pertama kali dari nama konklusi. Jika ketemu, tempatkan rule pada Conclusion Stack berdasarkan nomor rule dan 1 yang merepresentasikan nomor clause. Jika tak ketemu, beritahu user bahwa jawaban tersebut tak ada.3. Isi IF clause (yaitu, setiap variabel kondisi) dari statement.4. Jika satu dari variabel pada IF clause belum diisi, yang diindikasikan oleh Var. List, dan bukan merupakan variabel konklusi, yaitu tak ada dalam Conclusion List, tanyakan user untuk memasukkan suatu nilai.5. Jika satu dari clause adalah variabel konklusi, tempatkan nomor rule dari variabel konklusi di top of stack dan kembali ke langkah 3.6. Jika statement pada top of stack tak dapat di-instantiated menggunakan statement IF-THEN yang ada, hapus dari top of stack dan cari pada Conclusion List untuk pengisian lain dari nama variabel konklusi.7. Jika suatu statement ditemukan, kembali ke langkah 3.8. Jika tak ada konklusi yang tersisa pada Conclusion Stack, rule untuk konklusi sebelumnya adalah salah. Jika tak ada konklusi sebelumnya, maka beritahu user jawaban tak ditemukan. Jika ada konklusi sebelumnya, kembali ke langkah 6.9. Jika rule pada top of stack dapat di-instantiated, hapus rule tersebut dari stack. Jika ada variabel konklusi lain di bawahnya (pada stack), increment nomor clause, dan untuk clause yang tersisa kembali ke langkah 3. Jika tak ada variabel konklusi lain di bawahnya, didapatkan jawabannya. Sistem Berbasis Pengetahuan – Irfan Subakti 43

Bab 5 Knowledge-Based Expert SystemsDi bawah adalah gambaran dari struktur program implementasi dari forward dan backwardchaining.Base Variable List HeadBase BaseVarList 1 2 3 RuleNumber: 10 20 50 50 Variable: interest interest fedint fedmon Symbol: = = = = Value: fall rise fall add TVariable: stock stock interest interest TSymbol: = = = = TValue: rise fall fall fall ClauseNo: 1 1 1 2 NextConclusion Variable Queue HeadConVar ConclusionVarQ 1 2 3 1-2-3: Out in :1-2-3Conclusion Stack HeadConStack ConclusionStack 1 2 3 in :1-2-3 out: 3-2-1Variable List VarList FVarList HeadVar BVarList 1 2 3TResult HeadResult Result 1 2 3 Sistem Berbasis Pengetahuan – Irfan Subakti 44

Bab 5 Knowledge-Based Expert SystemsSedangkan flowchart dari program forward dan backward chaining tersebut: Start Scanner Rules Buat Base Variable List Inisialisasi Variable List Ingin Forward Proses Forward Y Chaining? Chaining T Proses Bacward Chaining EndCatatan: Base Variable List merupakan pengembangan dari Clause Variable List, tak hanyamencatat hal-hal di bagian IF, tetapi juga mencatat hal-hal di bagian THEN. Sistem Berbasis Pengetahuan – Irfan Subakti 45

Bab 5 Knowledge-Based Expert SystemsKemudian flowchat untuk proses forward chaining-nya itu sendiri dapat dilihat pada diagram ini: Pross Forward Chaining Scanner Input Apakah pada bagian TProses Kesalahan IF Base Variable List Input tsb ada? Y Catat variabel ini di Variable List Cari variabel di Base Variable List, catat nomor rule dan jumlah clause-nya Inisial Conclusion Variable Queue Update Clause Variable Pointer Apakah variabel clause T Instantiate variabel di Variable List sudah tadi di Variable di-instantiated? List Y Apakah clause pada Base Variable List di bagian IF, sudah terpenuhi semua T berdasarkan jumlah clause yang tercatat? Y Apakah variabel di variabel clause Eksekusi bagian memenuhi nilainya Y THEN dengan variabel di Variable List? Update Conclusion Variable Queue Catat variabel tsb di record konklusi dan di Variable List kalau ada variabelnya di situ T Apakah variabel ini ada di Catat nomor rule dan Y rule lain yang tersisa jumlah clausenya pada Base Variable List di bagian IF? T Apakah variabel di Tampilkan T Remove variabel pertama di Conclusion Variable hasil Forward Return Conclusion Variable Queue Queue terdapat di Chaining dari Variable List? record konklusi Y Sistem Berbasis Pengetahuan – Irfan Subakti 46

Bab 5 Knowledge-Based Expert SystemsSedangkan flowchart proses backward chaining-nya adalah sebagai berikut: Proses Backward Chaining Scanner Input Apakah pada Base T Variable List di Proses Kesalahan bagian THEN, Input tsb ada? Y Catat nomor rule dan jumlah clause Apakah ada variabel lain yang sama dengan T input di Base Variable Update Conclusion Y List di bagian THEN Stack yang lain? Apakah variabel di Y nomor clause pada top Remove variabel Y of stack sudah di- Apakah variabel di top of instantiated di Variable tsb memenuhi Conclusion Stack List, atau, Clause variabel di Base Number > Jumlah Variable List pada Clause? T nomor rule yang T tercatat? Apakah variabel ada T Instantiate variabel di Base Variable List tadi di Variable di bagian THEN? List Apakah bagian THEN T Y bisa diekseskusi berdasar jumlah Catat nomor rule clause yang tercatat? dan jumlah clause Y Eksekusi bagian THEN Update Conclusion Stack Update di Variable List, jika variabel tersebut ada Remove Top of Conclusion Stack Apakah variabel di nomor clause pada top of stack sudah di- Y Apakah Conclusion instantiated di Variable Stack masih ada List, atau, Clause T isinya? Number > Jumlah Clause? T Y Tampilkan hasil Backward Chaining, yaitu hasil eksekusi THEN yang terakhir Return Sistem Berbasis Pengetahuan – Irfan Subakti 47

Bab 5 Knowledge-Based Expert SystemsContoh struktur data dalam program.Type ShortString = String[2]; LongString = String[MaxString]; PTBaseVarList = ^TBaseVarList; TBaseVarList = Record RuleNumber : Word; Variable : LongString; Symbol : ShortString; Value : LongString; TVarible : LongString; TSymbol : ShortString; TValue : LongString; ClauseNo : Word; Next : PTBaseVarList End; PTVarList = ^TVarList; TVarlist = Record Variable : LongString; Sign : Boolean; Symbol : ShortString; Value : LongString; Next : PTVarList End; TClauseVarPointer = Record RuleNumber : Word; ClauseNumber: Word End; TInputUser = Record Variable : LongString; Symbol : ShortString; Value : LongString End; PTResult = ^TResult; TResult = Record Variable : LongString; Symbol : ShortString; Value : LongString; Next : PTResult End; PTConclusionVarQueue = ^TConclusionVarQueue; TConclusionVarQueue = Record Variable : LongString; Next : PTConclusionVarQueue End; PTConclusionStack = ^TConclusionStack; TConclusionStack = Record RuleNumber : Word; ClauseNumber: Word; Next : PTConclusionStack End;Struktur data diatas sesuai dengan bahasa pemrograman Pascal, tetapi mengingat perkembanganyang demikian pesat dewasa ini dalam hal pemrograman berorientasi obyek (Object-orientedProgramming), maka anda bisa mengimplementasikan sendiri struktur data di atas dalam bentukclass/object sehingga lebih berdayaguna. Sistem Berbasis Pengetahuan – Irfan Subakti 48

Bab 5 Knowledge-Based Expert SystemsContoh Kasus.(Berdasarkan semua flowchart yang telah diberikan dimuka)Kasus 1. Forward Chaining. Rule yang digunakan :rule 10if interest = fallthen stock = riserule 20if interest = risethen stock = fallrule 30if dollar = fallthen interest = riserule 40if dollar = risethen interest = fallrule 50if fedint = falland fedmon = addthen interest = fallINISIALISASI Sebagai langkah awal program adalah men-scanner rule tadi, yang selanjutnya membuat Base Variable List dan meng-inisialisasi Variable List. Dalam Base Variable List, rule-rule tadi disusun sebagai berikut :10 20 30 40 50 50interest interest dollar dollar fedint fedmon= = = = = =fall rise fall rise fall addstock stock interest interest interest interest= = = = = =rise fall rise fall fall fall1 1 1 1 1 2 Inisialiasi Variable List, disini yang dicatat adalah hal-hal di bagian IF (kondisi)Variable Sign Symbol Valueinterest NIdollar NIfedint NIfedmon NISign NI = Not Instantiated, I = Instantiated, Symbol dan Value masihbernilai kosongFORWARD CHAINING1. Kemudian program akan menanyakan kepada user, hal-hal yang diketahuinya sebagai langkah awal Forward Chaining, dengan sintaks : <variable> <symbol> <value>. Misal user menginputkan :fedmon = add2. Apakah pada bagian IF Base Variable List, input tersebut ada? Ada (di rule nomor 50)3. Catat variabel ini di Variable ListVariable Sign Symbol Valueinterest NIdollar NIfedint NIfedmon I = add4. Cari variabel di Base Variable List, catat nomor rule dan jumlah clause-nyaRuleNumber = 50Jumlah Clause = 2 Sistem Berbasis Pengetahuan – Irfan Subakti 49

Bab 5 Knowledge-Based Expert Systems5. Inisial Conclusion Variable Queuefedmon6. Update Clause Variable PointerRuleNumber = 50ClauseNumber = 1 Berarti yang dicek sekarang adalah fedint7. Apakah variable clause di Variable List sudah di-instantiated? fedint belum di-instantiated (Variable : fedint, Sign : NI)8. Instantiated variable tadi di Variable List, disini ditanyakan kepada user. Misal user menginputkan :fedint = fall Maka di Variable List dilakukan updating, sebagai berikut :Variable Sign Symbol Valueinterest NIdollar NIfedint I = fallfedmon I = add9. Update Clause Variable PointerRuleNumber = 50ClauseNumber = 2 Berarti yang dicek sekarang adalah fedmon10. Apakah variable clause di Variable List sudah di-instantiated? fedmon sudah di-instantiated (Variable : fedmon, Sign : I)11. Apakah clause pada Base Variable List di bagian IF, sudah terpenuhi semua berdasarkan jumlah clause yang tercatat? Ya, (Jumlah Clause = 2, ClauseNumber = 2)12. Apakah variabel di variable clause memenuhi nilainya dengan variabel di Variable List? Ya, (fedint = fall dan fedmon = add sebagai variable clause sama nilainya dengan di Variable List : fedint = fall dan fedmon = add)13. Eksekusi bagian THENinterest = fall14. Update Conclusion Variable Queuefedmoninterest15. Catat variabel tersebut di record konklusi dan di Variable List kalau ada variabelnya di situ di Result dicatat :interest = fall di Variable List karena variabel interest ada, maka dicatat :Variable Sign Symbol Valueinterest I = falldollar NIfedint I = fallfedmon I = add16. Apakah variabel ini ada di rule lain yang tersisa pada Base Variable List di bagian IF? Tidak, karena RuleNumber = 50 adalah rule terakhir yang ada.17. Remove variabel pertama di Conclusion Variable Queuefedmon (di-remove)interest Sehingga Conclusion Variable Queue menjadi :interest Sistem Berbasis Pengetahuan – Irfan Subakti 50

Bab 5 Knowledge-Based Expert Systems18. Apakah variabel di Conclusion Variable Queue terdapat di Variabel List? Ya, interest di Conclusion Variable Queue terdapat di Variabel List19. Catat nomor rule dan jumlah clause-nyaRuleNumber = 10Jumlah Clause = 120. Update Clause Variable PointerRuleNumber = 10ClauseNumber = 121. Apakah variable clause di Variable List sudah di-instantiated? interest sudah di-instantiated (Variable : interest, Sign : I)22. Apakah clause pada Base Variable List di bagian IF, sudah terpenuhi semua berdasarkan jumlah clause yang tercatat? Ya, (Jumlah Clause = 1, ClauseNumber = 1)23. Apakah variabel di variable clause memenuhi nilainya dengan variabel di Variable List? Ya, (interest = fall sebagai variable clause sama nilainya dengan di Variable List : interest = fall)24. Eksekusi bagian THENstock = rise25. Update Conclusion Variable Queueintereststock26. Catat variabel tersebut di record konklusi dan di Variable List kalau ada variabelnya di situ di Result dicatat :stock = rise di Variable List karena variabel stock tak ada, maka tidak dicatat27. Apakah variabel ini ada di rule lain yang tersisa pada Base Variable List di bagian IF? Ya, ada di rule 20 (yaitu : interest = rise)28. Catat nomor rule dan jumlah clause-nya.RuleNumber = 20Jumlah Number = 129. Update Clause Variable PointerRuleNumber = 20ClauseNumber = 130. Apakah variable clause di Variable List sudah di-instantiated? interest sudah di-instantiated (Variable : interest, Sign : I)31. Apakah clause pada Base Variable List di bagian IF, sudah terpenuhi semua berdasarkan jumlah clause yang tercatat? Ya, (Jumlah Clause = 1, ClauseNumber = 1)32. Apakah variabel di variable clause memenuhi nilainya dengan variabel di Variable List? Tidak, (interest = rise sebagai variable clause tidak sama nilainya dengan di Variable List : interest = fall)33. Apakah variabel ini ada di rule lain yang tersisa pada Base Variable List di bagian IF? Tidak Sistem Berbasis Pengetahuan – Irfan Subakti 51

Bab 5 Knowledge-Based Expert Systems34. Remove variabel pertama di Conclusion Variable Queueinterest (di-remove)stock Sehingga Conclusion Variable Queue menjadi :stock35. Apakah variabel di Conclusion Variable Queue terdapat di Variabel List? stock di Conclusion Variable Queue tidak ada di Variabel List36. Tampilkan hasil Forward Chaining dari record konklusiinterest = fallstock = rise37. ReturnKasus 2. Backward Chaining. Rule yang digunakan :rule 10if degree = nothen position = norule 20if degree = yesthen qualify = yesrule 30if degree = yesand discovery = yesthen position = researchrule 40if qualify = yesand grade < 3.5and experience >= 2then position = service engineeringrule 50if qualify = yesand grade < 3.5and experience < 2 then position = norule 60if qualify = yesand grade >= 3.5then position = product engineerINISIALISASI Sebagai langkah awal program adalah men-scanner rule tadi, yang selanjutnya membuat Base Variable List dan meng-inisialisasi Variable List. Dalam Base Variable List, rule-rule tadi disusun sebagai berikut :10 20 30 30 40 40degree degree degree discovery qualify grade= = = = = <no yes yes yes yes 3.5position qualify position position position position= = = = = =no yes research research serv eng serv eng1 1 1 2 1 240 50 50 50 60 60experience qualify grade experience qualify grade>= = < < = >=2 yes 3.5 2 yes 3.5position position position position position position= = = = = =serv eng no no no prod eng prod eng3 1 2 3 1 2 Sistem Berbasis Pengetahuan – Irfan Subakti 52

Bab 5 Knowledge-Based Expert Systems Inisialiasi Variable List, disini yang dicatat adalah hal-hal di bagian IF (kondisi)Variable Sign Symbol Valuedegree NIdiscovery NIqualify NIgrade NIexperience NISign NI = Not Instantiated, I = Instantiated, Symbol dan Value masihbernilai kosongBACKWARD CHAINING1. Kemudian program akan menanyakan kepada user, hal-hal yang diketahuinya sebagai langkah awal Backward Chaining, dengan sintaks : <variable>. Misal user menginputkan :position2. Apakah pada Base Variable List di bagian THEN , input tersebut ada? ada (di rule nomor 10)3. Catat nomor rule dan jumlah clauseRuleNumber = 10Jumlah Clause = 14. Update Conclusion StackRuleNumber = 10ClauseNumber = 1 (yaitu degree = no)5. Apakah variabel di nomor clause pada top of stack sudah di-instantiated di Variable List, atau, ClauseNumber > Jumlah Clause degree pada Variable List belum di-instantiated ClauseNumber = 1 sama dengan JumlahClause6. Apakah variabel ada di Base Variable List di bagian THEN? Tidak (degree tidak ada di bagian THEN)7. Instantiate variable tadi di Variable List, disini ditanyakan kepada user. Misal user menginputkan :degree = yes Maka di Variable List dilakukan updating, sebagai berikut :Variable Sign Symbol Valuedegree I = yesdiscovery NIqualify NIgrade NIexperience NI8. Apakah variabel tersebut memenuhi variabel di Base Variable List pada nomor rule yang tercatat? Tidak, (degree = yes tidak sama dengan di Base Variable List : degree = no)9. Remove variabel di top of Conclusion StackRuleNumber = 10 (diremove)ClauseNumber = 1 (diremove) Sehingga Conclusion Stack tidak ada isinya sekarang10. Apakah ada variabel lain yang sama dengan input di Base Variable List di bagian THEN yang lain? Ada (yaitu di rule nomor 30)11. Catat nomor rule dan jumlah clauseRuleNumber = 30Jumlah Clause = 2 Sistem Berbasis Pengetahuan – Irfan Subakti 53

Bab 5 Knowledge-Based Expert Systems12. Update Conclusion StackRuleNumber = 30ClauseNumber = 1 (yaitu degree = yes)13. Apakah variabel di nomor clause pada top of stack sudah di-instantiated di Variable List, atau, ClauseNumber > Jumlah Clause Ya, degree sudah di-instantiated (Variable : degree, Sign : I)14. Apakah bagian THEN bisa dieksekusi berdasar jumlah clause yang tercatat? Tidak, ClauseNumber yang dicek baru nomor 1 sedangkan Jumlah Clause = 215. Update Conclusion StackRuleNumber = 30ClauseNumber = 2 (yaitu discovery = yes)16. Apakah variabel di nomor clause pada top of stack sudah di-instantiated di Variable List, atau, ClauseNumber > Jumlah Clause Tidak, discovery belum di-instantiated (Variable : discovery, Sign : NI)17. Apakah variabel ada di Base Variable List di bagian THEN? Tidak (discovery tidak ada di bagian THEN)18. Instantiate variable tadi di Variable List, disini ditanyakan kepada user. Misal user menginputkan :discovery = no Maka di Variable List dilakukan updating, sebagai berikut :Variable Sign Symbol Valuedegree I = yesdiscovery I = noqualify NIgrade NIexperience NI19. Apakah variabel tersebut memenuhi variabel di Base Variable List pada nomor rule yang tercatat? Tidak, (discovery = no tidak sama dengan di Base Variable List : discovery = yes)20. Remove variabel di top of Conclusion StackRuleNumber = 30 (diremove)ClauseNumber = 2 (diremove) Sehingga Conclusion Stack tidak ada isinya sekarang21. Apakah ada variabel lain yang sama dengan input di Base Variable List di bagian THEN yang lain? Ada (yaitu di rule nomor 40)22. Catat nomor rule dan jumlah clauseRuleNumber = 40Jumlah Clause = 323. Update Conclusion StackRuleNumber = 40ClauseNumber = 1 (yaitu qualify = yes)24. Apakah variabel di nomor clause pada top of stack sudah di-instantiated di Variable List, atau, ClauseNumber > Jumlah Clause Tidak, qualify belum di-instantiated (Variable : qualify, Sign : NI)25. Apakah variabel ada di Base Variable List di bagian THEN? Ya (qualify ada di bagian THEN) Sistem Berbasis Pengetahuan – Irfan Subakti 54

Bab 5 Knowledge-Based Expert Systems26. Catat nomor rule dan jumlah clauseRuleNumber = 20Jumlah Clause = 127. Update Conclusion StackRuleNumber = 20ClauseNumber = 1 (yaitu degree = yes)RuleNumber = 40ClauseNumber = 128. Apakah variabel di nomor clause pada top of stack sudah di-instantiated di Variable List, atau, ClauseNumber > Jumlah Clause Ya, degree sudah di-instantiated (Variable : degree, Sign : I)29. Apakah bagian THEN bisa dieksekusi berdasar jumlah clause yang tercatat? Ya, ClauseNumber yang dicek nomor 1 sedangkan Jumlah Clause = 130. Eksekusi bagian THENqualify = yes31. Update di Variable List jika variabel tersebut ada. qualify ada di Variable List, maka Variable List di-updateVariable Sign Symbol Valuedegree I = yesdiscovery I = noqualify I = yesgrade NIexperience NI32. Remove Top of Conclusion StackRuleNumber = 20 (di-remove)ClauseNumber = 1 (di-remove)RuleNumber = 40ClauseNumber = 1 Sehingga Conclusion Stack sekarang menjadi :RuleNumber = 40ClauseNumber = 133. Apakah Conclusion Stack masih ada isinya? Ya, yaitu RuleNumber = 40 ClauseNumber = 134. Update Conclusion StackRuleNumber = 40ClauseNumber = 2 (yaitu grade < 3.5)35. Apakah variabel di nomor clause pada top of stack sudah di-instantiated di Variable List, atau, ClauseNumber > Jumlah Clause Tidak, grade belum di-instantiated (Variable : grade, Sign : NI)36. Apakah variabel ada di Base Variable List di bagian THEN? Tidak, grade tidak ada di bagian THEN37. Instantiate variable tadi di Variable List, disini ditanyakan kepada user. Misal user menginputkan :grade = 3.0 Maka di Variable List dilakukan updating, sebagai berikut :Variable Sign Symbol Valuedegree I = yesdiscovery I = noqualify I = yesgrade I = 3.0experience NI Sistem Berbasis Pengetahuan – Irfan Subakti 55

Bab 5 Knowledge-Based Expert Systems38. Apakah variabel tersebut memenuhi variabel di Base Variable List pada nomor rule yang tercatat? Ya, (grade = 3.0 memenuhi di Base Variable List : grade < 3.5)39. Update Conclusion StackRuleNumber = 40ClauseNumber = 3 (yaitu experience >= 2)40. Apakah variabel di nomor clause pada top of stack sudah di-instantiated di Variable List, atau, ClauseNumber > Jumlah Clause Tidak, experience belum di-instantiated (Variable : experience, Sign : NI)41. Apakah variabel ada di Base Variable List di bagian THEN? Tidak, experience tidak ada di bagian THEN42. Instantiate variable tadi di Variable List, disini ditanyakan kepada user. Misal user menginputkan :experience = 4.5 Maka di Variable List dilakukan updating, sebagai berikut :Variable Sign Symbol Valuedegree I = yesdiscovery I = noqualify I = yesgrade I = 3.0experience I = 4.543. Apakah variabel tersebut memenuhi variabel di Base Variable List pada nomor rule yang tercatat? Ya, (experience = 4.5 memenuhi di Base Variable List : experience >= 2)44. Update Conclusion StackRuleNumber = 40ClauseNumber = 445. Apakah variabel di nomor clause pada top of stack sudah di-instantiated di Variable List, atau, ClauseNumber > Jumlah Clause ClauseNumber (4) sudah melebihi Jumlah Clause (3)46. Apakah bagian THEN bisa dieksekusi berdasar jumlah clause yang tercatat? Ya, ClauseNumber sudah dicek semuanya, sejumlah Jumlah Clause47. Eksekusi bagian THENposition = service engineering48. Update di Variable List jika variabel tersebut ada. Karena position tidak ada di Variable List maka tidak terjadi updating49. Remove Top of Conclusion StackRuleNumber = 40 (di-remove)ClauseNumber = 4 (di-remove) Sehingga Conclusion Stack tidak ada isinya sekarang50. Apakah Conclusion Stack masih ada isinya? Tidak, Conclusion Stack tidak ada isinya sekarang51. Tampilkan hasil Backward Chainingposition = service engineering52. Return Sistem Berbasis Pengetahuan – Irfan Subakti 56

Bab 5 Knowledge-Based Expert Systems5.5. Confidence Factor (CF) pada Forward dan Backward Chaining. Confidence Factor (faktor kepercayaan) adalah ukuran/tingkat kepercayaan seseorangterhadap rule yang ada. Meliputi tingkat kepercayaan terhadap suatu variabel dalam suatu rule,maupun tingkat kepercayaan terhadap rule itu sendiri. Makin tinggi CF-nya jelas makin bisadipercaya suatu rule, sehingga diasumsikan rule tersebut berarti makin baik. Dengan adanya CF ini, urutan rule pada suatu knowledge base tidak berpengaruh padaprioritas eksekusi program. Sehingga prioritas/keutamaan suatu rule ditentukan oleh besarnya CFyang ada padanya.Berikut ini dijelaskan hal-hal yang berhubungan dengan CF (Disini CF antara 0 s/d 100, boleh juga0 s/d 1):CF untuk rule dengan kondisi AND.Contoh:IF condition = hot CF 70AND condition = dry CF 90AND condition = crowd CF 85THEN anger = rise CF 95CF untuk kondisi di atas adalah: CF = minimum (CF1, CF2, CF3) = minimum (70, 90, 85) = 70Lalu CF untuk rule adalah CF(rule) = 70 * 95 = 6650/100 = 67CF untuk rule dengan kondisi OR.Contoh:IF A CF1OR B CF2THEN K CF5;IF dollar = naik CF 80OR rupiah = turun CF 60THEN krisis = naik CF 90;Maka CF = 80 + 60 – (80 * 60)/100 = 140 – 48 = 92CF(rule) = 92 * 90 = 8280, lalu bagi dengan 100 = 8280/100 = 82,8. Setelah di-ROUND, maka didapatkan 83IF activity = letters CF 80OR activity = resumes CF 70OR activity = notices CF 85THEN advice = need CF 90;CF = 80 + 70 – (80 * 70) = 150 – 56; 56 didapat dari (80 * 70)/100 = 94; dari sini didapatkan CF untuk (activity = letters CF 80 OR activity = resumes CF 70)Lalu dilanjutkan dengan (OR activity = notices CF 85)CF = 94 + 85 – (94 * 85) = 99Maka CF(rule) = 99 * 90 = 89; dimana 89 didapat dari (99 * 90)/100 setelah di-ROUNDCF untuk rule dengan kondisi AND/OR.Bila ada rule seperti berikut ini:RULE A IF activity = letters ORactivity = resumes ANDcost = lowTHEN word_processor = D CF 90;Dari situ terlihat ada kondisi OR dan AND, maka untuk mencari CF-nya, rule seperti ini dapatdipecah menjadi:RULE A1: IF activity = letter AND cost = lowTHEN word_processor = D CF 90; Sistem Berbasis Pengetahuan – Irfan Subakti 57

Bab 5 Knowledge-Based Expert Systems ORRULE A2: IF activity = resume AND cost = lowTHEN word_processor = D CF 90;Sebagai contoh dimisalkan bahwa CF telah diinputkan oleh user sehingga didapatkan hasil sbb:RULE A1: IF activity = letter CF 90 AND cost = low CF 80THEN word_processor = D CF 90; ORRULE A2: IF activity = resume CF 70 AND cost = low CF 80THEN word_processor = D CF 90;CF kondisi pada RULE A1 = minimum (90, 80) = 80CF untuk RULE A1 = 80 * 90 = 7200/100 = 72CF kondisi pada RULE A2 = minimum (70, 80) = 70CF untuk RULE A2 = 70 * 90 = 6300/100 = 63CF untuk kedua RULE didapatkan dengan rumus OR sehingga didapat:72 + 63 – (72 * 63)= 135 – 4536/100= 135 – 45 = 90Jadi, CF dari rule asli pada contoh ini adalah 90.5.6. Pengembangan Program Forward dan Backward Chaining.Disamping pernyataan IF .. THEN .. pada RULE yang sudah dibahas, sebenarnya masih ada formatyang lebih lengkap lagi yaitu IF .. THEN .. ELSE .. BECAUSE .., seperti tertulis di bawah ini:IF condition THEN conclusion1ELSE conclusion2BECAUSE “ ... “;RULE 7IF functionallity = complexTHEN word_processor = product_BELSE word_processor = product_ABECAUSE “Product B can process more complicated documents that Product A”;Program juga dapat mengenali dan menangani persamaan, pertidaksamaan, dan juga range nilaitertentu untuk nilai-nilai yang dibandingkan dengan variabel-variabelnya.Contoh: IF warna = hitam, IF warna <> hitam, IF warna < 15, IF warna IN [0..7], IF kondisi =TRUE, dsb.Pembagian Rule.Rule dibagi dalam 3 bagian: ACTION, RULE, dan STATEMENT BLOCK, seperti contoh di bawah ini://The file finding_word_processor.kbs uses a PLURAL variable,//Activity, in a compound OR IF-THEN-ELSE-BECAUSE//ACTION BLOCKACTIONS DISPLAY “WPHELP will advise you on whether you need a word ” + “processor or not. Press OK to start the consultation.” FIND advice //variabel yang akan dicari, langsung saja ditandai //dengan kata FIND DISPLAY “You {advice} a word processor at this time. “ + “Press OK to exit WPHELP”;//tanda {} pada {advice} berarti bahwa yang diapit oleh tanda itu//ialah variabel yang ditampilkan//setiap selesai 1 statemen maka diakhiri dengan tanda “;” titik koma Sistem Berbasis Pengetahuan – Irfan Subakti 58

Bab 5 Knowledge-Based Expert Systems//RULES BLOCKRULE 1IF activity = letters OR activity = resumes OR activity = notices OR activity = papersTHEN advice = needELSE advice = do_not_needBECAUSE “If you generate frequent letters, resumes, notices, “ + “or papers, then you need a word processor.”;//STATEMENTS BLOCKASK activity: “Which of the following documents do you need to write “ + “for your business? Select you answers by select “ + “your desired answer. After you have made all “ + “your selections, click or press OK button. “ + “If you don’t need to write any of these documents, “ + “select none_of_these”;//Pada program begitu program membutuhkan inputan dari user,//maka ditanyakan dulu ke user//kemudian setelah pertanyaan tadi, akan langsung disajikan dari//nilai-nilai yang mungkin//ada pada variabel, setelah selesai user dapat//meng-klik/meng-enter tombol OK//Kemungkinan nilai pada variabel tadi di-declare dengan kata CHOICES//seperti di bawah iniCHOICES activity: letters, resumes, notices, papers, none_of_these;PLURAL: activity;//Reserved word PLURAL menyatakan bahwa variabel setelahnya adalah//variabel yang nilainya//jamak=PLURAL, jadi tidak hanya 1 saja, bisa 2 atau lebihContoh file yang lain:ACTIONS FIND word_processor; DISPLAY “The value of word_processor is {word_processor}”RULE 0IF functionality = simple AND cost = lowTHEN word_processor = Product_A;RULE 1IF functionality = simple AND cost = highTHEN word_processor = Product_A;RULE 2IF functionality = complex AND cost = lowTHEN word_processor = none;RULE 3IF functionality = complex AND cost = highTHEN word_processor = Product_B;ASK functionality: “What is the value of Functionality?”;CHOICES functionality: simple,complex;ASK cost: “What is the value of Cost?”;CHOICES cost: low,high;Implementasi Pengembangan Program.Bisa juga dikembangkan sintaks rule menurut yang diinginkan. Semakin lengkap jelas akan semakinbaik. Sebagai panduan, bisa dilihat hal-hal di bawah ini: Ada fasilitas trace/penelusuran program. User interface sebaik dan semudah mungkin digunakan. Memberikan data yang lengkap kepada user. Bisa menampilkan jendela WHAT, HOW, WHY dengan isi yang lengkap. Isi dari jendela WHAT adalah hasil dari proses forward maupun backward chaining yang paling sederhana dan yang pertama kali didapatkan dari program, bahkan sebelum tahap pengembangan ini (bisa dilihat kembali di sub bab 4.4). Ia menjawab pertanyaan mengenai apa yang dihasilkan program. Sedangkan isi dari jendela jendela HOW adalah log/catatan bagaimana suatu hasil (WHAT) Sistem Berbasis Pengetahuan – Irfan Subakti 59

Bab 5 Knowledge-Based Expert Systems didapatkan, rule-rule mana saja yang telah diproses dan ditelusuri. Sedangkan isi dari jendela WHY, lebih banyak mengacu pada alasan hasil (WHAT) tadi didapat. Tentu saja komponen CF yang banyak mengambil peranan dalam penjelasan WHY ini. Singkatnya adalah WHAT adalah hasilnya, HOW adalah bagaimana menghasilkan WHAT tadi, sedangkan alasannya diimplementasikan oleh WHY. Bisa mengeksekusi semua rule, dengan catatan mengikuti sintaks program yang ada. Bisa menganalisis rule yang ada. Pencarian berjalan dengan cepat, apalagi untuk rule-rule yang kompleks dan besar. Untuk pendekatan Forward Chaining, ada tambahan reserved word: WHENEVER.WHENEVER cost_too_highIF cost >= 500THEN DISPLAY “Consider volume discounts.”;Begitu kata WHENEVER ditemukan di bagian awal rule, maka rule akan dites setiap saat nilai darivariabel yang ada di kondisi (bagian IF) berubah nilainya. Jika rule yang mengandung WHENEVERditemukan sebagai konklusi yang benar, maka bagian THEN dieksekusi. Dengan kata lain, bila adaperubahan variabel di bagian IF, rule secara otomatis dicek untuk dipilih, tanpa memperhatikanstrategi pencariannya apakah Forward atau Backward Chaining. Jadi WHENEVER berlaku seperti“daemon” sebab dia akan mengawasi variabel yang diacu oleh kondisi IF, dan mengeksekusinyasetiap waktu kondisinya true/benar. Adanya reserved word FIND untuk mengidentifikasikan variabel tujuan. Reserved word FIND dalam rule hanya boleh ada dalam bagian THEN saja, tidak boleh di bagian IF.Contoh:RULE NetworkingIF Environment = NetworkedTHEN Network = Yes FIND Networked_word_processor FIND tidak bisa digabungkan dengan WHENEVER, sebab WHENEVER mengindikasikan rule, sedang FIND mengidentifikasikan variabel tujuan.Contoh yang salah:WHENEVER NetworkingIF Environment = NetworkedTHEN Network = Yes FIND Networked_word_processor Untuk nilai dari variabel yang belum diketahui, ada satu nilai khusus yaitu UNKNOWN, yang berarti program memang tidak tahu harus mengisikan apa pada variabel yang ditanyakan. Jadi cukup diisi saja dengan UNKNOWN bila kita memang tidak tahu jawaban apa yang harus diberikan.RULE 7IF Document = UNKNOWNTHEN Word_processor = wait_for_now DISPLAY “Examine your busines functions for word processing before buying”;RULE 8IF Cost = UNKNOWNTHEN Word_processor = none_for_now DISPLAY “Consult your manager or boss to determine your budget.”; Sistem Berbasis Pengetahuan – Irfan Subakti 60

Bab 6 Algoritma Genetika BAB 6 ALGORITMA GENETIKA6.1. Pendahuluan. Pelbagai masalah optimasi baik di dunia rekayasa industri, utamanya pada sistemmanufakturing, begitu kompleksnya untuk ditangani dengan teknik optimasi konvensional. Mulaitahun 1960-an mulai banyak studi yang berusaha untuk menirukan perilaku kehidupan dalamrangka menyelesaikan masalah optimasi yang pelik seperti contoh di atas. Simulasi prosesevolusioner alamiah manusia menghasilkan teknik optimasi stokastik yang disebut algoritmaevolusioner, yang seringkali dapat menampilkan kinerja yang lebih baik daripada metodekonvensional ketika diaplikasikan pada permasalahan dunia nyata yang sulit. Ada tiga jalan utama dalam riset tersebut: Genetic Algorithms (GA, algoritma genetika),Evolutionary Programming (EP, pemrograman evolusioner), dan Evolution Strategies (ESs, Strategi-strategi Evolusi). Diantara ketiganya, algoritma genetika dikenal sebagai algoritma yang palingbanyak dipakai pada saat ini. Penerapan algoritma genetika yang sudah diterapkan di bidang rekayasa industri adalahdalam hal: penjadwalan dan prioritas urutan, desain kehandalan, rute dan penjadwalan kendaraan,group technology, layout dan lokasi fasilitas, transportasi, dan lain-lain. Dalam hubungannya dengan Sistem Berbasis Pengetahuan, GA ini diharapkan dapatmengoptimasi pencarian baik dalam Forward maupun Backward Chaining, dan harapan selanjutnyaadalah bersama-sama dengan jaringan syaraf tiruan/logika fuzzy dapat lebih mengoptimalkansistem dalam hal kecepatan pembelajaran, kecepatan berfikir, dan kecepatan memberikan solusiuntuk menjawab semua pertanyaan yang berkaitan dengan WHAT, HOW, dan WHY.Struktur Umum Algoritma Genetika. Dapat digambarkan seperti bagan di bawah ini: crossover 110010 1010 kromosom 101110 1110 1100101010 encoding Solusi 1011101110 110010 1110 0011011001 1100110001 101110 1010 mutasi 00110 11001 00110 01001 seleksi evaluasi offspring populasi baru 110010 1110 101110 1010 001100 1001 roulette wheel decoding Solusi komputasi fitness Struktur umum dari algoritma genetika di atas dapat dijelaskan sebagai berikut:Prosedur: Algoritma Genetikabegin t ← 0; initialize P(t); 61 Sistem Berbasis Pengetahuan – Irfan Subakti

Bab 6 Algoritma Genetika evaluate P(t); while (not termination condition) do recombine P(t) to yield C(t); evaluate C(t); select P(t+1) from P(t) and C(t); t ← t + 1; endend Sebenarnya, cuma ada 2 jenis operasi dalam algoritma genetika:1. Operasi genetika: crossover dan mutasi2. Operasi evolusi: seleksi Algoritma genetika berbeda dengan optimasi konvensional dan prosedur pencarian dalam pelbagai hal, seperti hal-hal di bawah ini:1. GA bekerja dengan koding dari kumpulan solusi, bukan solusi itu sendiri.2. GA mencari dari populasi solusi, bukan solusi tunggal.3. GA menggunakan informasi hasil (fungsi fitness), bukan penurunan atau knowledge bantuan lainnya.4. GA menggunakan rule transisi probabilistik, bukan rule deterministik.Eksploitasi dan Eksplorasi. 2 isu penting dalam strategi pencarian: eksploitasi solusi terbaik dan eksplorasi ruang pencarian. GA merupakan metode pencarian umum yang mengkombinasikan elemen-elemen pencarian terarah dan stokastik yang dapat membuat keseimbangan diantara eksplorasi dan eksploitasi dari ruang pencarian. Pada awal pencarian dalam pencarian genetika, terdapat populasi yang berbeda dan sangat acak, lalu operator crossover cenderung untuk menampilkan pencarian melebar untuk mengeksplorasi semua ruang solusi. Dari hasil pengembangan solusi yang memiliki fitness tinggi, operator crossover menampilkan eksplorasi pada tetangga dari setiap solusi tersebut. Dengan kata lain, jenis apapun pencarian (eksploitasi atau eksplorasi) kinerja crossover ditentukan oleh lingkungan sistem genetika (keanekaragaman populasi), tetapi bukan oleh operator itu sendiri. Sebagai tambahan, operator-operator genetika sederhana didesain sebagai metode pencarian umum (metode pencarian yang tak tergantung domain); mereka menampilkan secara esensial pencarian “buta” dan tak dapat menjamin untuk menghasilkan offspring yang makin baik.Pencarian berdasarkan populasi. Perbandingan antara pendekatan konvensional dan genetika dapat dilihat pada gambar berikut: conventional method genetic algorithm initial single point initial population improvement (problem-specific) improvement (problem-independent) No terminal? No terminal? Yes end Yes end Sistem Berbasis Pengetahuan – Irfan Subakti 62

Bab 6 Algoritma GenetikaMeta-heuristic. GA sederhana sulit diaplikasikan secara langsung dan berhasil dalam banyak masalah optimasi yang “sulit”. Pelbagai implementasi yang tak standar dibuat untuk bermacam-macam masalah tertentu dimana GA digunakan sebagai meta-heuristic. GA + Stuktur Data = Program Evolusi.Keuntungan Utama. Ada 3 keuntungan utama dalam mengaplikasikan GA pada masalah-masalah optimasi:1. GA tak memerlukan kebutuhan matematis banyak mengenai masalah optimasi.2. Kemudahan dan kenyamanan dan pada operator-operator evolusi membuat GA sangat efektif dalam melakukan pencarian global (dalam probabilitas).3. GA menyediakan banyak fleksibelitas untuk digabungkan dengan metode heuristic yang tergantung domain, untuk membuat implementasi yang efisien pada masalah-masalah khusus.Kamus GA. Genetic Algorithms Explanation Chromosome (string, individual) Solution (coding) Genes (bits) Part of solution Locus Position of gene Alleles Values of gene Phenotype Decoded solution Genotype Encoded solution6.2. Contoh Program Algoritma Genetika Sederhana (Simple Genetic Algorithm)Masalah Optimasi.Diberikan fungsi di bawah ini:Maksimalkan f(x1, x2) = 21.5 + x1 sin(4πx1) + x2 sin(20πx2) -3.0 <= x1 <= 12.1 4.1 <= x2 <= 5.8Domain dari variabel xj adalah [aj, bj] dan presisinya adalah 4 tempat di belakang koma, makarange dari setiap variabel dapat dibagi dalam (bj – aj) x 104 unit.Bit yang dibutuhkan (dilambangkan dengan mj) untuk variabel tadi dapat dihitung dari: mj − 1 < (bj - aj) x 104 <= 2 mj 2 -1 bj − a jVariabel keputusan (decision variable) xj = aj + decimal(substringj) x m 2 j −1Dimana decimal (substringj) merepresentasikan nilai desimal dari substringj untuk xj.Dimisalkan presisinya adalah 4 tempat di belakang koma. Bit yang dibutuhkan untuk variabel x1 danx2 adalah: (12.1 – (-3.0)) x 10,000 = 151,000 217 < 151,000 <= 218, m1 = 18 (5.8 – 4.1) x 10,000 = 17,000 214 < 17,000 <= 215, m2 = 15 m = m1 + m2 = 18 + 15 = 33 Panjang total kromosom adalah 33 bit yangdirepresentasikan sbb: 33 bit vj 000001010100101001 101111011111110 18 bit 15 bitNilai yang bisa didapatkan untuk variabel x1 dan x2 adalah sbb: Biner Desimalx1 000001010100101001 5417 x2 101111011111110 24318 12.1 − (−3.0) x1 = -3.0 + 5417 x = -2.687969 218 − 1 Sistem Berbasis Pengetahuan – Irfan Subakti 63

Bab 6 Algoritma Genetika 5.8 − 4.1 x2 = 4.1 + 24318 x = 5.361653 215 − 1Prosedur-prosedur yang ada dalam program.Terdapat beberapa prosedur dalam GA seperti di bawah ini:Initial Population. Generate secara random (pop_size misalnya 10 berarti generate 10 populasiawal), misal sbb:v1=[000001010100101001101111011111110] nilai desimal v1=[x1,x2]= [-2.687969,5.361653]v2=[001110101110011000000010101001000] nilai desimal v2=[x1,x2]= [ 0.474101,4.170144]v3=[111000111000001000010101001000110] nilai desimal v3=[x1,x2]= [10.419457,4.661461]v4=[100110110100101101000000010111001] nilai desimal v4=[x1,x2]= [ 6.159951,4.109598]v5=[000010111101100010001110001101000] nilai desimal v5=[x1,x2]= [-2.301286,4.477282]v6=[111110101011011000000010110011001] nilai desimal v6=[x1,x2]= [11.788084,4.174346]v7=[110100010011111000100110011101101] nilai desimal v7=[x1,x2]= [ 9.342067,5.121702]v8=[001011010100001100010110011001100] nilai desimal v8=[x1,x2]= [-0.330256,4.694977]v9=[111110001011101100011101000111101] nilai desimal v9=[x1,x2]= [11.671267,4.873501]v10=[111101001110101010000010101101010] nilai desimal v10=[x1,x2]=[11.446273,4.171908]Evaluation. Dalam proses ini evaluasi nilai fitness dari kromosom yang terdiri dari 3 langkah:Konversikan genetipe kromosom ke fenotipe-nya, artinya mengkonversikan string biner ke nilai realrelatif dari xk = ( x1 , x 2 ), dengan k = 1,2, ..., pop_size. k kEvalusi fungsi obyektifnya: f(xk).Konversikan nilai dari fungsi obyektifnya ke fitness. Untuk kasus memaksimalisasikan, fitness-nyaadalah sama dengan nilai fungsi obyektifnya: eval(vk) = f(xk), k = 1,2, ..., pop_size. eval(v1) = f(-2.687969,5.361653) = 19.805119 eval(v2) = f( 0.474101,4.170144) = 17.370896 eval(v3) = f(10.419457,4.661461) = 9.590546 eval(v4) = f( 6.159951,4.109598) = 29.406122 eval(v5) = f(-2.301286,4.477282) = 15.686091 eval(v6) = f(11.788084,4.174346) = 11.900541 eval(v7) = f( 9.342067,5.121702) = 17.958717 eval(v8) = f(-0.330256,4.694977) = 19.763190 eval(v9) = f(11.671267,4.873501) = 26.401669 eval(v10) = f(11.446273,4.171908) = 10.252480Terlihat disitu bahwa kromosom v4 adalah kromosom terkuat dan kromosom v3 adalah yangterlemah.Selection. Dalam kebanyakan kasus, pendekatan roulette wheel (roda rolet) sering digunakanuntuk prosedur seleksi; ini dimiliki oleh seleksi fitness-proportional dan dapat memilih populasi baruyang berhubungan dengan distribusi probabilitas pada nilai fitness-nya. Roda rolet ini dapatdijelaskan sbb:Hitung nilai fitness eval(vk) untuk setiap kromosom vk: eval(vk) = f(x), k = 1,2, ..., pop_size.Hitung total fitness untuk populasi: pop _ size F= ∑ eval (v k =1 k )Hitung probabilitas seleksi pk untuk setiap kromosom vk: eval (v k ) pk = , k = 1,2, ..., pop_size. FHitung probabilitas kumulatif qk untuk setiap kromosom vk: k qk = ∑p j =1 j , k = 1,2, ..., pop_sizeProsedur selection dimulai dengan memutar roda rolet sebanyak pop_size kali; setiap waktu satukromosom dipilih untuk populasi baru selanjutnya, dengan langkah sbb:Generate bilangan random r dengan range [0,1].Jika r <= q1, maka pilih kromosom pertama: v1; jika tidak, pilih kromosom ke-k: vk(2 <= k <=pop_size) sehingga qk-1 < r <= qk. Sistem Berbasis Pengetahuan – Irfan Subakti 64

Bab 6 Algoritma Genetika 10Total fitness F dari populasi adalah: F = ∑ eval (v k =1 k ) = 178.135372Probabilitas seleksi pk untuk setiap kromosom vk(k = 1, ..., 10) adalah sbb: p1 = 0.111180 p2 = 0.097515 p3 = 0.053839 p4 = 0.165077 p5 = 0.088057 p6 = 0.066806 p7 = 0.100815 p8 = 0.110945 p9 = 0.148211 p10 = 0.057554Probablitas kumulatif qk untuk setiap kromosom vk(k = 1, ..., 10) adalah sbb: q1 = 0.111180 q2 = 0.208695 q3 = 0.262534 q4 = 0.427611 q5 = 0.515668 q6 = 0.582475 q7 = 0.683290 q8 = 0.794234 q9 = 0.942446 q10 = 1.000000Sekarang marilah kita coba memutar roda rolet sebanyak 10 kali, dan setiap waktu kita memilih 1kromosom untuk populasi baru selanjutnya. Diasumsikan misalnya 10 bilangan random denganrange [0,1] adalah sbb: 0.301431 0.322062 0.766503 0.881893 0.350871 0.583392 0.177618 0.343242 0.032685 0.197577Bilangan pertama r1: 0.301431 lebih besar daripada q3 dan lebih kecil daripada q4, yang berartibahwa kromosom q4 dipilih untuk populasi baru berikutnya; bilangan kedua r2: 0.322062 lebihbesar daripada q3 dan lebih kecil daripada q4, yang berarti bahwa kromosom q4 lagi-lagi dipilihuntuk populasi baru berikutnya; dan demikian seterusnya. Akhirnya populasi baru yang terbentukadalah sbb: v’1 = [100110110100101101000000010111001] (v4) v’2 = [100110110100101101000000010111001] (v4) v’3 = [001011010100001100010110011001100] (v8) v’4 = [111110001011101100011101000111101] (v9) v’5 = [100110110100101101000000010111001] (v4) v’6 = [110100010011111000100110011101101] (v7) v’7 = [001110101110011000000010101001000] (v2) v’8 = [100110110100101101000000010111001] (v4) v’9 = [000001010100101001101111011111110] (v1) v’10= [001110101110011000000010101001000] (v2)Crossover. Digunakan sebagai metode pemotongan kromosom, yang secara random memilih titikpotong pada kromosom dan menggantinya dengan bagian kanan dari 2 kromosom induk (parent)untuk menghasilkan kromosom anak (offspring). Pada contoh di bawah ini terdapat 2 kromosominduk, dan titik potongnya secara random dipilih pada posisi gen ke-17: v1 = [100110110100101101000000010111001] v2 = [001011010100001100010110011001100]Didapatkan hasil Offspring dengan menggantikan bagian kanan dari kromosom induk sebagaiberikut: v’1 = [10011011010010110 0010110011001100] v’2 = [00101101010000110 1000000010111001]Probabilitas crossover di set sebagai pr = 0.25, maka kita dapat berharap bahwa sekitar 25% darikromosom yang ada akan mengalami crossover. Crossover dapat dilakukan dengan langkah sbb:procedure: Crossoverbegin k ← 0; while (k <= 10) do rk ← random number from [0,1]; if (rk < 0.25) then select vk as one parent of crossover; end k ← k + 1; endendDiasumsikan bahwa urutan bilangan random-nya adalah sbb: 0.625721 0.266823 0.288644 0.295114 0.163274 0.567461 0.085940 0.392865 0.770714 0.548656Dari situ bisa kita lihat bahwa kromosom v’5 dan v’7 akan dipilih untuk dilakukan crossover padanya.Kita generate bilangan integer pos secara random dengan range [1,32] (sebab 33 adalah panjangdari kromosom) sebagai titik potong atau dengan kata lain adalah posisi titik crossover. Sistem Berbasis Pengetahuan – Irfan Subakti 65

Bab 6 Algoritma GenetikaDiasumsikan bahwa bilangan pos yang dihasilkan sama dengan 1, dua kromosom dipotong setelahbit ke-1, dan offspring dihasilkan dengan menggantikan bagian kanan dari kromosom yangbersangkutan sbb: v’5 = [100110110100101101000000010111001] v’7 = [001110101110011000000010101001000]menjadi: v’5 = [101110101110011000000010101001000] v’7 = [000110110100101101000000010111001]Mutation. Mutasi mengubah satu atau lebih gen dengan probabilitas sama dengan angka mutasi.Diasumsikan bahwa gen ke-18 dari kromosom v1 dipilih untuk bermutasi. Karena gen di posisi itu(posisi ke-18) bernilai 1, maka setelah bermutasi nilainya menjadi 0. Maka setelah bermutasi,kromosom menjadi: v1 = [100110110100101101000000010111001] v1 = [100110110100101100000000010111001]Probabilitas mutasi diset sebagai pm = 0.01, sehingga diharapkan bahwa sekitar 1% total bit daripopulasi akan bermutasi. Ada m x pop_size = 33 x 10 = 330 bit dalam keseluruhan populasi;diharapkan 3.3 mutasi terjadi setiap generasi. Setiap bit memiliki kesempatan yang sama untukbermutasi. Maka kita perlu meng-generate serangkaian bilangan random rk (k= 1, ..., 330) denganrange [0,1]. Dimisalkan bahwa gen-gen berikut ini akan bermutasi: bit_pos chrom_num bit_no random_num 105 4 6 0.009857 164 5 32 0.003113 199 7 1 0.000946 329 10 32 0.001282Setelah mutasi, didapatkan populasi baru sebagai generasi berikutnya, sebagai berikut:v’1=[100110110100101101000000010111001] nilai desimal f( 6.159951,4.109598) = 29.406122v’2=[100110110100101101000000010111001] nilai desimal f( 6.159951,4.109598) = 29.406122v’3=[001011010100001100010110011001100] nilai desimal f(-0.330256,4.694977) = 19.763190v’4=[111111001011101100011101000111101] nilai desimal f(11.907206,4.873501) = 5.702781v’5=[101110101110011000000010101001010] nilai desimal f( 8.024130,4.170248) = 19.91025v’6=[110100010011111000100110011101101] nilai desimal f( 9.342067,5.121702) = 17.958717v’7=[100110110100101101000000010111001] nilai desimal f( 6.159951,4.109598) = 29.406122v’8=[100110110100101101000000010111001] nilai desimal f( 6.159951,4.109598) = 29.406122v’9=[000001010100101001101111011111110] nilai desimal f(-2.687969,5.361653) = 19.805119v’10=[001110101110011000000010101001010] nilai desimal f( 0.474101,4.170248) = 17.370896Baru saja tadi kita sudah menyelesaikan satu iterasi dari algoritma genetik (GA). Program nantinyaakan dihentikan setelah 1000 iterasi (1000 generasi). Didapatkan kromosom terbaik pada generasike-419 sbb: v* = (111110000000111000111101001010110) eval(v*) = f(11.631407,5.724824) = 38.818208 x*1 = 11.631407 x*2 = 5.724824 f(x*1,x*2) = 38.818208Dari sini dapat dibuat program yang mengimplementasikan hal-hal diatas, dan sebagai inputnya,minimal adalah jumlah populasi awal pop_size, probabilitas crossover pr, probabilitas mutationpm, banyak iterasi, kromosom terbaik dan nilai-nilai yang ada padanya. Sistem Berbasis Pengetahuan – Irfan Subakti 66

DAFTAR PUSTAKA1. Turban, Efraim, Decision Support and Expert Systems: Management Support Systems, Fourth Edition, Prentice-Hall, Inc., United States of America, 1995.2. Gonzalez, Avelino J. and Dankel, Douglas D., The Engineering of Knowledge-Based Systems: Theory and Practice/Book, 1993.3. Ignizio, James P., Introduction to Expert Systems: The Development and Implementation of Rule-based Expert Systems, McGraw-Hill International Editions, 1991.4. Baur Gregory R., Pigford D.V., Expert Systems for Business: Concepts and Applications, Boyd & Fraser Publishing Company, Boston-USA, 1990.5. Gen, Mitsuo and Cheng, Runwei, Genetic Algorithms and Engineering Design, John Wiley & Sons., Inc., United States of America, 1997. 67 Sistem Berbasis Pengetahuan – Irfan Subakti

ABOUT THE AUTHOR Assalamualaikum and my warm greeting to you all ^__^ My name is Irfan Subakti. I graduated from SD Magetan III (Elementary School degree) at Magetan city in 1986, then I continued to study at SMPN 1 Magetan (Junior High School degree) at the same city - I graduated in 1989. The senior high school degree is accomplished at SMA 1 Magetan in 1992. Through UMPTN (National University Entrance Test), I accepted at Computer Engineering Study Program (Undergraduate Program), Faculty of Industrial Technology, Institute Technology of Sepuluh Nopember (ITS) at Surabaya city. In 1994, the name of Department of Computer Engineering (Jurusan Teknik Komputer), viathe government (i.e., Ministry of Education) decree changed into the Department of Informatics.Thats why I graduated at undergraduate program in 1999 at these department, no longer atComputer Engineering Study Program, Faculty of Industrial Engineering, ITS. I got the degree:Bachelor of Science (B.Sc.) in Informatics field at this moment (a.k.a. Sarjana Komputer - S.Kom. -in Indonesian). In 2001, the Department of Informatics no longer under the coordination of Faculty ofIndustrial Engineering, but it became the independent faculty, i.e., Faculty of InformationTechnology (FTIF). FTIF now on consist of 2 departments, namely: Department of Informatics andInformation System Study Program. I got the scholarship from the government of Taiwan (Republic of China - R.O.C.) throughNational Taiwan University of Science and Technology (NTUST - www.ntust.edu.tw) in 2003, topursue my master degree study. I accepted at Department of Computer Science and InformationEngineering (CSIE - www.csie.ntust.edu.tw), College of Electrical and Computer Engineering, as anInternational Program student at Graduate Program. By the thesis entitled: A Variable-Centered Intelligent Rule System, I graduated fromNTUST and I got M.Sc.Eng. degree (Master of Science in Engineering) in 2005. The fields of interest that I do love are: • Fuzzy Information Systems o Fuzzy Logics o Fuzzy Systems o Fuzzy Knowledge-Based Systems • Artificial Intelligence Agent Technology o Expert Systems o Rule-Based Systems o Knowledge Systems o Knowledge-Based Systems o Decision Support Systems o Variable-Centered Intelligent Rule System (VCIRS) - its my own method! ^__^ 68 Sistem Berbasis Pengetahuan – Irfan Subakti

After wandering for years since in the studying in the undergraduate program (i.e., thatswhy I could not graduate on time - 4 years from 1992, it should be in 1996 I had to graduate fromundergraduate degree, but in fact I just graduated at 1999) until the graduation day and havingfun trying the training jobs and works; either work by my own and work under the owner of somecompanies, then I continuing my hobby and my desire, thats teaching!. I decided to be a teacherin my alma mater. As the hobby, teaching is also the tradition from my brothers and sisters,parents, grand parents and my family. Now, I am a teacher in my alma mater, Department of Informatics, Faculty of InformationTechnology, Institute Technology of Sepuluh Nopember, at Surabaya city, Indonesia. You can contact me at: is@its-sby.edu Wassalamualaikum and sincerely yours ^__^ Irfan Subakti, S.Kom., M.Sc.Eng. 69 Sistem Berbasis Pengetahuan – Irfan Subakti

Sistem berbasis pengetahuan

by asuransipaninlife

Accessibility

Categories

Upload Details

Usage Rights

Statistics

Sistem berbasis pengetahuan Document Transcript