TUGAS MAKALAH
SISTEM INFORMASI
CBIS
SISTEM BERBASIS PENGETAHUAN
Disusun oleh :
ARIE AZHAR ARIEF 201043501093
JENI BASTARI 201043501095
IKHSAN AZMI 201043501096
SETYA DARMA WULAN 201043501111
UNIVERSITAS INDRAPRASTA PGRI
JAKARTA
2011
KATA PENGANTAR
Puji syukur kami ucapkan atas kehadirat Allah SWT, karena dengan rahmat
dan karunia – Nya kami masih diberi kesempatan untuk menyelesaikan makalah
ini.Tidak lupa kami ucapkan kepada teman – teman yang telah memberikan dukungan
dalam menyelesaikan makalah ini.
Penulis menyadari
bahwa dalam penulisan makalah ini masih banyak kekurangan, oleh sebab itu
penulis sangat mengharapkan kritik dan saran yang membangun. Dan semoga dengan
selesainya makalah ini dapat bermanfaat bagi pembaca dan teman – teman. Amin
Penulis
Kelompok 9
DAFTAR ISI
Kata Pengantar ……………………………………………………………………….…2
Daftar isi …………....……………………………………………………………………3
Bab I Pendahuluan
1.1 Latar Belakang ………………………..………………………………………………4
1.2 Rumusan Masalah………………...……………………………………...……………5
1.3 Tujuan Penulisan ……………………………………………………………………...6
Bab II Pembahasan
2.1 Pengertian
istilah knowledge base ,AI dan area di dalamnya ………………...……....6
2.2 Komponen sytem pakar..…………………………..……………………………..…11
2.3 peran potensial sytem
pakar…...……………………………………….………...…..23
2.4
Model model Jaringan Syaraf……………...………………………………...………27
Bab III Penutup
3.1
Kesimpulan ………………………………………………………………...………..34
Daftar Pustaka ………………………………………………………………………35
BAB
I
PENDAHULUAN
1.1 Latar Belakang
Sistem
Informasi Berbasis Komputer atau Computer Based Information System (CBIS)
merupakan sistem pengelohaan suatu data menjadi sebuah informasi berkualitas
dan dapat dipergunakan sebagai alat bantu yang mendukung pengambilan keputusan,
koordinasi dan kendali serta visualisasi dan analisis.
Knowledge
base menggunakan rule/ aturan untuk menyatakan logika dari masalah dimana
sistem pakar dirancang untuk membantu memecahkan masalah. Mesin kesimpulan engine)
(Inference menggunakan penalaran penalaran,di dalam banyak cara yang sama seperti
seorang manusia, dalam memproses isi dasar pengetahuan Mesin pengembangan
(development engine) terdiri dari yang manapun baik bahasa pemrograman atau
prewritten inference disebut shell sistem pakar Membuat engine pakar. prototip
terutama dapat digunakan untuk pengembangan sistem pakar.
Sistem Pakar menawarkan keuntungan, yaitu
pemakaian dalam perusahaan dan para manajer, tetapi mereka mempunyai
keterbatasan yang signifikan.Penelitian yang berlanjut yang menyertakan jaringan
neural diharapkan memperluas maupuan dari sistem pakar masa depan
Artificial
Intelligence (AI) Aktivitas yang menyediakan seperti mesin sebagai komputer
dengan kemampuan untuk menampilkan perilaku yang akan dianggap cerdas jika
dalam manusia.
• John McCarthy
mengusulkan istilah istilah, AI, , saat konferensi Dartmouth College. pada
tahun1956
• Teori Logika
(program pertama AI. Herbert Simon peranan) memegang • Pemecah masalah Umum
(GPS GPS GPS)
dekade masa
lampau
• Penelitian
telah mengambil suatu tempat yang belakang untuk pengembangan MIS dan DSS
Area dari
Artificial Intelligence
Permohonan
Sistem Pakar,Program komputer yang meng-kode kan pengetahuan dari pakar manusia
dalam bentuk heuristic, Dua perbedaan dari DSS
1. Memiliki
potensi untuk memperluas kemampuan pemecahan masalah manajer menjelaskan
bagaimana
2. Kemampuan
untuk solusi tercapai
Model
Sistem Pakar Interface Pemakai,Mungkinkan pemakai untuk berhubungan dengan
System Knowledge
base.Houses accumulated knowledge,
Mesin Kesimpulan
– Menyediakan
penalaran
– menterjemahkan
dasar pengetahuan (knowledge base)
1.2 Maksud dan tujuan
Penulisan makalah ini
bermaksud membuka pemikiran para mahasiswa untuk
lebih tanggap dalam menghadapi sebuah
permasalahan dan mampu menyelesaikan permasalah tersebut, dan tentunya tulisan
ini sangat bermanfaat bagi para mahasiswa ketika memasuki dunia kerja nantinya.
1.3 Ruang lingkup
Pada makalah ini penulis hanya membahas system
berbasis pengetahuan,istilah knowledge berbasis system permasalahan padaem,AI,area
didalamnya ,komponen system pakar ,peranan potensial system pakar dalam
memecahkan masalah bisnis ,model – model jaringan syaraf Berisikan pendekatan
system dalam pengambilan keputusan, struktur masalah, tahap pemecahanmasalah
serta faktor manusia yang mempengaruhi pemecahan masalah.
BAB II
PEMBAHASAN
2.1 Istilah Knowledge base system,AI,dan area di dalamnya`
A. Pengertian Istilah Knowledge
Knowledge Base (KB)
Knowledge base terdiri dari fakta
yang menggambarkan area problem atau problem domain dan juga teknik penyajian
yang menggunakan fakta sesuai logika.
Rule/aturan merupakan rincian dalam situasi yang
tidak berubah:
· Kondisi
benar dan tidak benar
· Tindakan
yang diambil bila kondisi benar
Knowledge Based System
adalah suatu system yang menggunakan set pengetahuan (knowledge) yang dikodekan
ke bahasa mesin untuk dapat menyimpulkan dan melakukan suatu tugas. Knowledge
Based System digunakan untuk dapat membantu manusia dalam menyelesaikan masalah
yang dihadapi dengan berdasarkan atas pengetahuan yang telah diprogramkan ke
system tersebut. Untuk hal inilah maka digunakan knowledge based system dalam
memecahkan masalah yang berhubungan AI (Artificial Intelligent).
Pengetahuan (knowledge):
kemampuan untuk kegiatan yang efektif.Knowledge adalah suatu pengetahuan yang
dapat digunakan untuk menyimpulkan, dan menyelesaikan suatu masalah berdasarkan
data yang ada. Dalam mengorganisasikan knowledge kita harus mengerti apa yang
akan kita hadapi, masalah apa yang akan timbul, bagaimana cara kita memperoleh
data, bagaimana urutan-urutan yang harus ditempuh dan bagaimana cara
menyelesaikan masalah tersebut, dan juga bagaimana kita menyampaikannya pada
user.
DSS (decission support
systems) merupakan alat bantu untuk memecahkan persoalan-persoalan yang kurang
terstruktur dengan baik. KBS ( knowledge-based system atau expert system)
merupakan alat bantu untuk memecahkan persoalan yang mengikuti cara kerja pakar
(expert). Penggabungan antara KBS dan DSS yang disebut dengan KB-DSS memberi
suatu alternative baru untuk memecahkan persoalan.
Knowledge representation
adalah knowledge yang telah dikodekan dalam bahasa yang dapat dimengerti oleh
mesin yaitu bahasa mesin. Kita perlu knowledge representation karena system
kita hanya mengenal biner, oleh karena itu harus diterjemahkan dulu.
Knowledge acquisition
yaitu bagaimana knowledge tersebut diperoleh, yaitu dari knowledge engineer
yang berasal dari seorang expert (di bidang knowledge tersebut) atau dari buku
referensi.
Knowledge Base memuat fakta-fakta yang menjelaskan
area masalah dan juga teknik menerangkan bagaimana fakta-fakta tersebut cocok
dalam urutan yang logis
•
Aturan, menetukan apa yang harus dilkakukan dalam situasi tertentu
(Kondisi dan aksi)
•
Jaringan Aturan, hubungan logis dapat digambarkan dalam bentuk hirarki
•
Masalah pemilihan aturan, merupakan kesulitan utama untuk menggambarkan
pengetahuan
B. AI, DAN AREA DI DALAMNYA
Pada tahun 1956, mulai
diperkenalkan istilah Kecerdasan Buatan (Artificial Intelligence / AI), yang
kemudian ditegaskan lagi pada tahun 1961 oleh suatu tulisan Marvin Minsky dari
MIT tentang "Steps towards AI". Semenjak itu istilah AI menjadi semakin
populer, dan kemajuan bidang ini mencapai puncaknya dengan munculnya
pengetahuan tentang Sistem Pakar.
1. Definisi
AI ( kecerdasan buatan )
· H. A. Simon [1987]
:
“ Kecerdasan buatan (artificial intelligence)
merupakan kawasan penelitian, aplikasi dan instruksi yang terkait dengan
pemrograman komputer untuk melakukan sesuatu hal yang -dalam pandangan manusia adalah- cerdas”
· Rich and
Knight [1991]:
“Kecerdasan Buatan (AI) merupakan sebuah studi tentang bagaimana membuat
computer melakukan hal-hal yang pada saat ini dapat dilakukan lebih baik oleh
manusia.”
· Encyclopedia Britannica:
“Kecerdasan Buatan (AI) merupakan cabang dari ilmu komputer yang dalam
merepresentasi pengetahuan lebih banyak menggunakan bentuk simbol-simbol
daripada bilangan, dan memproses informasi berdasarkan metode heuristic atau
dengan berdasarkan sejumlah aturan”
Tujuan dari
kecerdasan buatan menurut
Winston dan Prendergast [1984]:
1. Membuat mesin menjadi lebih
pintar (tujuan utama)
2. Memahami apa itu kecerdasan
(tujuan ilmiah)
3. Membuat mesin lebih
bermanfaat (tujuan entrepreneurial)
AI dapat dipandang dalam berbagai
perspektif.
Dari
perspektif Kecerdasan (Intelligence)
AI adalah
bagaimana membuat mesin yang “cerdas” dan dapat melakukan hal-hal yang sebelumnya
dapat dilakukan oleh manusia
Dari
perspektif bisnis,
AI adalah sekelompok alat bantu (tools)
yang berdaya guna, dan metodologi yang menggunakan tool-tool tersebut guna
menyelesaikan masalah-masalah bisnis.
Dari
perspektif pemrograman (Programming),
AI termasuk didalamnya adalah
studi tentang pemrograman simbolik, pemecahan masalah,
proses pencarian
(search)
Ø Umumnya program AI lebih fokus pada simbol-simbol
daripada pemrosesan numerik (huruf,
kata, angka untuk merepresentasikan obyek, proses dan hubungannya).
Ø Pemecahan
masalah ->
pencapaian tujuan
Ø Search -> jarang
mengarah langsung ke solusi. Proses search menggunakan beberapa teknik.
Ø Bahasa
pemrograman AI :
LISP, dikembangkan awal tahun 1950-an, bahasa pemrograman pertama yang
diasosiasikan dengan AI. PROLOG, dikembangkan pada tahun 1970-an. Bahasa pemrograman berorientasi obyek (Object
Oriented Programming (Objective C, C++, Smalltalk, Java)
v Dari perspektif penelitian
(research)
§ Riset tentang AI
dimulai pada awal tahun 1960-an, percobaan pertama adalah membuat program
permainan (game) catur, membuktikan teori, dan general problem
solving (untuk tugastugas sederhana)
§
“Artificial
intelligence” adalah nama pada akar dari studi area.
2.
DOMAIN PENELITIAN
DALAM AI
Formal
tasks (matematika, games)
Mundane
task (perception, robotics, natural language, common sense,reasoning)
Expert
tasks (financial analysis, medical diagnostics, engineering,scientific
analysis, dll)
NATURAL
LANGUAGE Suatu
teknologi yang memberikan kemampuan kepada komputer untuk memahami
bahasa manusia sehingga pengguna komputer dapat berkomunikasi dengan
komputer dengan menggunakan bahasa sehari -hari.
ROBOTIK
DAN SISTEM SENSOR Sistem
sensor, seperti sistem vision, sistem tactile, dan sistem pemrosesan sinyal
jika dikombinasikan dengan AI, dapat dikategorikan kedalam suatu sistem
yang luas yang disebut sistem robotik.
EXPERT SYSTEM Sistem pakar (Expert
System) adalah program penasehat berbasis computer yang mencoba
meniru proses berpikir dan pengetahuan dari seorang pakar alam
menyelesaikan masalah-masalah spesifik.
3.
KONSEP DAN
DEFINISI DALAM KECERDASAN BUATAN/ AI TURING
TEST – Metode Pengujian Kecerdasan
Turing
Test merupakan sebuah metode pengujian kecerdasan yang dibuat oleh Alan Turing.
Ø
Proses
uji ini melibatkan seorang penanya (manusia) dan dua obyek
yang
ditanyai. Yang satu adalah seorang manusia dan satunya adalah sebuah mesin yang
akan diuji.
Ø
Penanya
tidak bisa melihat langsung kepada obyek yg ditanyai
Ø
Penanya
diminta untuk membedakan mana jawaban komputer dan mana jawaban manusia
berdasarkan jawaban kedua obyek tersebut.
Ø Jika penanya
tidak dapat membedakan mana jawaban mesin dan mana jawaban
manusia maka Turing berpendapat bahwa mesin yang diuji tersebut dapat
diasumsikan CERDAS.
4. PEMROSESAN
SIMBOLIK
Komputer
semula didisain untuk memproses bilangan/angka-angka (pemrosesan numerik).
Sementara
manusia dalam berpikir dan menyelesaikan masalah lebih bersifat simbolik, tidak didasarkan kepada sejumlah rumus
atau melakukan komputasi matematis.
Sifat penting dari AI adalah bahwa AI
merupakan bagian dari ilmu komputer yang melukan proses secara simbolik dan
non-algoritmik dalam penyelesaian masalah
HEURISTIC
Istilah
Heuristic diambil dari bahasa Yunani yang berarti menemukan
Heuristic merupakan suatu strategi
untuk melakukan proses pencarian (search) ruang problema secara
selektif, yang memandu proses
pencarian yang
kita lakukan disepanjang jalur yang memiliki
kemungkinan
sukses paling besar.
5.
PENARIKAN KESIMPULAN (INFERENCING)
AI mecoba
membuat mesin memiliki kemampuan berpikir atau mempertimbangkan (reasoning)
Kemampuan
berpikir (reasoning) termasuk didalamnya proses penarikankesimpulan (inferencing) berdasarkan fakta-fakta
dan aturan dengan menggunakan metode heuristik atau metode pencarian lainnya.
6.
PENCOCOKAN POLA (PATTERN MATCHING)
AI
bekerja dengan metode pencocokan pola (pattern matching) yang berusaha
untuk menjelaskan obyek, kejadian (events) atau proses, dalam hubungan
logik atau komputasional.
1.
Perbandingan Kecerdasan Buatan dengan Kecerdasan
Alamiah
Keuntungan Kecerdasan Buatan
dibanding kecerdasan alamiah:
lebih permanen
memberikan kemudahan dalam
duplikasi dan penyebaran
relatif lebih murah dari
kecerdasan alamiah
Konsisten dan teliti
Dapat didokumentasi
Dapat mengerjakan beberapa task
dengan lebih cepat dan lebih baik dibanding manusia
Keuntungan Kecerdasan Alamiah dibanding kecerdasan buatan
Bersifat lebih kreatif
Dapat melakukan proses
pembelajaran secara langsung, sementara AI
harus mendapatkan masukan berupa simbol dan representasirepresentasi
Fokus yang luas sebagai
referensi untuk pengambilan keputusan
sebaliknya AI menggunakan fokus
yang sempit
Komputer
dapat
digunakan untuk mengumpulkan informasi tentang obyek,kegiatan (events),
proses dan dapat memproses sejumlah besar informasi dengan
lebih efisien dari yang dapat dikerjakan manusia, tetapi disisi lain
manusia –dengan menggunakan insting- dapat melakukan hal yang sulit untuk
diprogram pada komputer, yaitu: manusia dapat mengenali (recognize)
hubungan antara hal-hal tersebut, menilai kualitas dan menemukan
pola yang menjelaskan hubungan tersebut.
a.
Perbedaan Komputasi AI dengan Proses Komputasi
Konvensional
Bagaimana
komputer konvensional memproses data Proses yang dikerjakan Kalkulasi
mengerjakan operasi-operasi matematis: tambah, kurang, bagi, kali, atau mencari
akar. Menyelesaikan rumus/persamaan. Logika mengerjakan operasi logika: “and”,
“or”, atau “invert”
penyimpanan menyimpan
data dan gambar pada fileretrieve mengakses data yang disimpan pada file translate mengkonversi data
dari satu bentuk ke bentuk yang lain Sort memeriksa data dan menampilkan
dalam urutan yang diinginkan Edit melakukan perubahan, penambahan, penghapusan
pada data monitor mengamati event external dan internal dan melakukan
tindakan jika kondisi tertentu
tercapai kontrol Memberikan perintah atau mengendalikan peralatan diluar
b.
Perbandingan AI dengan Pemrograman Konvensional Dimensi
Artificial Intelligence Pemrograman konvensional
Processing
simbolik
Algoritmik input Tidak harus lengkap Harus lengkap Search heuristic
Algoritmik explanation tersedia Tidak tersedia Major interest knowledge
Data dan informasi struktur Terpisah antara kontrol dan knowledge
Kontrol
terintegrasi dengan data output Tidak harus lengkap Harus tepat Maintenance
dan
Update Mudah karena
menggunakan
modul-modul Umumnya susah
dilakukan hardware Workstation dan PC Semua tipe Kemampuan pemikiran
terbatas tetapi dapat ditingkatkan Tidak ada
Kecerdasan Buatan
adalah kegiatan memberikan pada mesin seperti computer kemampuan untuk
menampilkan perilaku yang dianggap cerdas jika itu diamati pada manusia.
Kecerdasan buatan (artificial
inteligent) adalah kegiatan memberikan kemampuan pada komputer untuk
menampilkan perilaku yang dianggap cerdas
Pertama kali di
cetuskan istilah tersebut oleh John Mc Charthy tahun 1956
Cakupannya :
•
Jaringan saraf
•
Sistem persepsi
•
Belajar
•
Robotik
•
Perangkat AI
•
Pemrosesan bahasa alamiah
§ Area yang memanfaat AI :
- Jaringan saraf
adalah model sistem saraf manusia yang sangat disederhanakan yang
menunjukkan kemampuan seperti belajar, generalisasi dan abstraksi.
- Sistem
persepsi, menggunakan
citra visual dan sinyal suara untuk menginstruksikan komputer atau alat
lain seperti robot.
- Belajar,
meliputi
semua kegiatan yang memungkinkan komputer atau alat lain untuk memperoleh
pengetahuan sebagai tambahan dari apa yang telah dimasukkan ke dalam
memori oleh pembuatnya atau pemrogramnya.
- Robotik,
terdiri
dari alat yang dikendalikan komputer yang meniru aktivitas gerak manusia.
- Perangkat
keras AI, mencakup
alat fisik yang membantu aplikasi AI.
- Pemrosesan
bahasa alamiah, memungkinkan
pemakai untuk berkomunikasi dengan komputer dalam berbagai bahasa dan
memungkinkan komputer memeriksa ejaan dan tata bahasa.
Di dalam
perspektif ilmu pengetahuan dan teknologi, sistem cerdas merupakan bagian dari
bidang inteligensia semu (AI). Istilah expert system berasal dari
knowledge-based expert system (sistim cerdas berbasis pengetahuan), dimana
suatu sistem yang menggunakan pengetahuan manusia (human knowledge) yang
dimasukkan ke dalam komputer untuk memecahkan masalah yang umumnya memerlukan
keahlian seorang pakar / expert. Atau dapat juga dikatakan, sebuah program
komputer yang menggunakan pengetahuan dan teknik inferensi (pengambilan
kesimpulan) untuk memecahkan persoalan seperti yang dilakukan oleh seorang
pakar.
Berbeda
dengan program komputer biasa, sistem cerdas dapat digunaan untuk memecahkan
masalah yang tidak terstruktur dan dimana tidak ada suatu prosedur tertentu
untuk memecahkan masalah tersebut. Sedangkan definisi pengetahuan (knowledge)
menurut Webster's New World Dictionary of the American Language: persepsi
tentang sesuatu yang jelas dan tentu, semua yang telah dirasakan dan diterima
oleh otak, serta merupakan informasi terorganisasi yang dapat diterapkan untuk
penyelesaian masalah.
Penggunaan
Knowledge-based expert system (sistem pakar berbasis pengetahuan) ini tidak
menjamin solusi yang lebih akurat, tetapi paling tidak mampu menghasilkan
keputusan-keputusan yang didasari informasi relatif lebih banyak / terstruktur.
Sesuai dengan namanya, suatu "Sistem Pakar" akan sangat tergantung
pada pengetahuan (knowledge) yang didapat dari pakar yang menyumbangkan
keahlian dan pengalamannya.
Biasanya suatu "sistem
cerdas" dapat dibagi menjadi beberapa bagian:
(1). Basis pengetahuan
(knowledge-base) : berisi pengetahuan yang spesifik mengenai domain
tertentuyang mana basis pengetahuan ini dapat diperbaharui sesuai dengan
tingkat kemampuan seorang expert terhadap pemecahan suatu masalah,
(2). Mesin inferensi (Inference
Engine) : sustu program yang bertugas mengolah data masukan sesuai pengetahuan
dalam basis pengetahuan, menurut kaidah-kaidah tertentu.
(3). Bagian kendali ( user
interface) : bagian yang berkomunikasi langsung dengan pengguna (user) sistem.
Ada 2 (dua) macam mesin inferensi, yaitu yang bersifat pasti (deterministik)
dan kemungkinan (probabilistik).
2.2.Komponen
system pakar (expert systems)
Sistem pakar (expert systems) adalah sistem yang berusaha
mengapdosi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan
masalah seperti yang biasa dilakukan oleh para ahli. Sistem pakar yang baik
dirancang agar dapat menyelesaikan suatu permasalahan tertentu dengan meniru
kerja dari para ahli.
Jadi sistem pakar →ô€ƒ† kepakaran ditransfer dari seorang
pakar (atau sumber kepakaran yang lain) ke komputer, pengetahuan yang ada
disimpan dalam komputer, dan pengguna dapat berkonsultasi pada komputer itu
untuk suatu nasehat, lalu komputer dapat mengambil inferensi (menyimpulkan,
mendeduksi, dll.) seperti layaknya seorang pakar, kemudian menjelaskannya ke
pengguna tersebut, bila perlu dengan alasan-alasannya.
Dengan sistem pakar, orang awam pun dapat menyelesaikan
masalah yang cukup rumit yang sebenarnya hanya dapat diselesaikan dengan
bantuan para ahli. Bagi para ahli, sistem pakar juga akan membantu aktivitasnya
sebagai asisten yang sangat berpengalaman.
Sistem pakar
dikembangkan pertama kali tahun 1960.
Sistem pakar yang terkenal antara lain:
MYCIN
• Paling terkenal, dibuat oleh Edward Shortlife of Standford
University tahun 70-an
• Sistem pakar
medical yang bisa mendiagnosa penyakit infeksi dan merekomendasi pengobatan
• MYCIN membantu
dokter mengidentifikasi pasien yang menderita penyakit. Dokter duduk di depan
komputer dan memasukkan data pasien: umur, riwayat kesehatan, hasil
laboratorium dan informasi terkait lainnya. Dengan informasi ini ditambah
pengetahuan yang sudah ada dalam komputer, MYCIN mendiagnosa selanjutnya
merekomendasi obat dan dosis yang harus dimakan.
• MYCIN sebagai
penasehat medis, tidak dimaksudkan untuk mengantikan kedudukan seorang dokter.
Tetapi membantu dokter yang belum berpengalaman dalam penyakit tertentu. Juga
untuk membantu dokter dalam mengkonfirmasi diagnosa dan terapi yang diberikan
kepada pasien apakah sesuai dengan diagnosa dan terapi yang ada dalam basis
pengetahuan yang sudah dimasukkan ke dalam MYCIN, karena MYCIN dirancang oleh
dokter-dokter yang ahli di bidang penyakit tersebut.
• Kesimpulan :
sistem pakar seperti MYCIN bisa digunakan sebagai bahan pembanding dalam
pengambilan solusi dan pemecahan masalah. Keputusan terakhir atas pengobatan
tersebut tetap menjadi tanggung jawab dokter.
DENDRAL
Mengidentifikasi
struktur molekular campuran kimia yang tak dikenal XCON & XSEL
XCON
• Merupakan sistem pakar untuk membantu
konfigurasi sistem komputer besar, membantu melayani order langganan sistem
komputer DEC VAX 11/780 ke dalam sistem spesifikasi final yang lengkap
• Komputer besar seperti VAX dan komponen
yang berbeda digabung dan disesuaikan dengan konfigurasi tertentu yang
diinginkan oleh para pelanggan.
• Ada ribuan cara
dimana aseosri Pcboard, kabel, disk drive, periperal, perangkat lunak, dan
lainnya bisa dirakit ke dalam konfigurasi yang sangat rapih. Untuk
meng-identifikasi hal-hal tersebut diperlukan waktu
berhari-hari/berminggu-minggu agar bisa memenuhi spesifikasi yang diinginkan
pemesan, tapi dengan XCON bisa dalam beberapa menit.
XSEL
• Dirancang
untuk membantu karyawan
bagian penjualan dalam memilih komponen sistem VAX. Karena banyaknya
pilihan karyawan tersebut sering menghadapi kesulitan dalam memilih suatu
komponen yang paling tepat.
• Basis pengetahuan
yang ada pada XSEL membantu
mengarahkan para pemesan serius untuk memilih konfigurasi yang dikehendaki,
kemudian XSEL memilih CPU, memori, periperal dan menyarankan paket software
tertentu yang paling tepat dengan konfigurasinya.
PROSPECTOR
• = sistem pakar yang membantu ahli
geologi dalam mencari dan menemukan deposit
• Basis
pengetahuan berisi bermacam-macam mineral dan batu-batuan. Banyak pakar geologi
diwawancarai dan pengetahuan mereka tentang berbagai bentuk biji deposit
dimasukkan ke dalam sistem pakar.
• Ahli geologi melacak biji deposit
dengan pergi ke lapangan untuk meninjau medan dan mengumpulkan bukti yang ada
seperti ciri-ciri geologi dicatat, sampel tanah dan batu-batuan. Sistem pakar
mengevaluasi areal dalam bentuk pertanyaan dan data-data tersebut dimasukkan,
kemudian Prospector memberikan rekomendasi yang menunjukkan jumlah deposit yang
ada dan apakah menguntungkan atau tidak bila dieksplorasi atau di bor lebih
lanjut.
DELTA
• Dibuat oleh perusahaan General Electric
(GE) membantu karyawan bagian pemeliharaan mesin lokomotif diesel dalam
memantau mesin-mesin yang tidak berfungsi
dengan baik dan membimbing ke arah prosedur perbaikan.
FOLIO
• Sistem pakar yang menolong stock broker
dan tugas manajer dalam menangani investasi bagi kepentingan para langganannya.
Stock broker mewawancarai langganan untuk menentukan tujuan sumber dan
investasi mereka.
• FOLIO bisa memberikan rekomendasi
tentang keamanan investasi, mengevaluasi stock beresiko tinggi,menghitung
pengembalian modal, dan membuat keputusan dalam hal pemasaran suatu komoditi.
• Membantu para perencana keuangan untuk
memperkecil kerugian karena pajak, inflasi atau faktor lain misal turun naiknya
nilai mata uang.
ELECTRONIC
LAYER.
• Digunakan untuk menganalisa dan
membantu rekayasa rancangan sirkuit elektronik yang terbuat dari transistor,
dioda dan resistor.
• Diagram skematik dari sirkuit ini
dimasukkan ke dalam komputer dan EL menganalisis menentukan karakteristik
sirkuit, nilai voltase, dan strum yang ada pada semua titik sirkuit.
• Basis pengetahuan pada EL merupakan
prinsip umum elektronik seperti hukum OHM, hukum kirchoff, karakteris-tik komponen,
teori operasi transistor.
RAMALAN CUACA
Dengan diberi
input tentang situasi cuaca yang sedang berlangsung, baik lokal maupun ditempat
lain, maka sistem pakar bisa menyajikan ramalan yang akurat tentang cuaca yang
akan terjadi dalam suatu periode tertentu.
CONTOH LAIN
SISTEM PAKAR
Sistem pakar :
- Digunakan
untuk konsultasi
- Sistem pakar selalu tersedia di
organisasi, sedang pakar belum tentu selalu berada di tempat. Misal suatu
keputus-an harus diambil oleh manajer yang pakar dalam suatu bi-dang, karena
manajer ini pergi dan tidak berada di kantor, maka keputusan yang harus diambil
tertunda.
- Sistem pakar dapat menyimpan dan
mengingat pengeta-huan yang sangat tidak terbatas dan tidak kenal lelah. Oleh
karena itu pekerjaan dokter akan sangat terbantu sekali dengan SP yang diisi
dengan sejumlah pengetahuan (mi-sal semua jenis obat dan efeknya) yang pakarnya
sendiri belum tentu dapat mengingatnya.
Keahlian
Keahlian
bersifat luas dan merupakan penguasaan penge-tahuan dalam bidang khusus yang
diperoleh dari pelatihan, membaca atau pengalaman. Contoh bentuk pengetahuan
yang termasuk keahlian :
- Teori, fakta, aturan-aturan pada
lingkup permasalahan tertentu
- Strategi
global untuk menyelesaikan masalah
Ahli / Pakar
Seorang ahli
adalah seseorang yang mampu menjelaskan suatu tanggapan, mempelajari hal-hal
baru seputar topik permasalahan, menyusun kembali pengetahuan jika dipandang
perlu, memecahkan masalah dengan cepat dan tepat.
Pengalihan keahlian
Tujuan dari
sistem pakar adalah untuk mentransfer keahlian dari seorang pakar ke dalam
komputer kemudian ke masyarakat. Proses ini meliputi 4 kegiatan, yaitu
perolehan pengetahuan (dari para ahli atau sumber-sumber lainnya), representasi
pengetahuan ke komputer, kesimpulan dari pengetahuan dan pengalihan pengetahuan
ke pengguna.
Mengambil keputusan
Hal yang unik
dari sistem pakar adalah kemampuan untuk menjelaskan dimana keahlian tersimpan
dalam basis pengetahuan. Kemampuan komputer untuk mengambil kesimpulan
dilakukan oleh komponen yang dikenal dengan mesin inferensi yaitu meliputi
prosedur tentang pemecahan masalah.
Aturan
Sistem pakar
yang dibuat merupakan sistem yang berdasar-kan pada aturan – aturan dimana
program disimpan dalam bentuk aturan-aturan sebagai prosedur pemecahan masalah.
Aturan tersebut biasanya berbentuk IF – THEN.
Kemampuan menjelaskan
Keunikan lain
dari sistem pakar adalah kemampuan dalam menjelaskan atau memberi
saran/rekomendasi serta juga menjelaskan mengapa beberapa tindakan/saran
tidak di-rekomendasikan.
SIAPA SAJA YANG DAPAT TERKAIT DALAM PENGGUNAAN DAN PENGEMBANGAN SISTEM
PAKAR
1. Pakar
Pakar adalah orang yang memiliki
pengetahuan khusus, pendapat, pengalaman dan metode, serta kemampuan untuk
mengaplikasikan keahliannya tersebut guna menyelesaikan masalah.
2. Perekayasa pengetahuan
Perekayasa pengetahuan adalah orang
yang membantu pakar dalam menyusun area permasalahan dengan menginterpretasikan
dan mengintegrasikan jawaban-jawaban pakar atas pertanyaan yang diajukan,
menggambarkan analogi, mengajukan counter example dan menerangkan
kesulitan-kesulitan konseptual.
3. Pemakai
- Pemakai awam
: dalam hal ini sistem pakar bertindak se-bagai konsultan untuk memberikan
saran dan solusi kepada pemakai
- Pelajar yang
ingin belajar : sistem pakar bertindak sebagai instruktur
- Pembuat
sistem pakar : sistem pakar sebagai partner dalam pengembangan basis
pengetahuan.
- Pakar :
sistem pakar bertindak sebagai mitra kerja/asisten
AREA PERMASALAHAN APLIKASI SISTEM PAKAR
1. Interpretasi
Yaitu pengambilan keputusan dari hasil
observasi, diantaranya : pengawasan, pengenalan ucapan, analisis citra,
interpretasi sinyal, dan beberapa analisis kecerdasan.
2. Prediksi
Memprediksi akibat-akibat yang
dimungkinkan dari situasi-situasi tertentu, diantaranya : peramalan, prediksi
demografis, peralaman ekonomi, prediksi lalulintas, estimasi hasil, militer,
pemasaran, atau peramalan keuangan.
3. Diagnosis
Menentukan sebab malfungsi dalam
situasi kompleks yang didasarkan pada gejala-gejala yang teramati, diantaranya
: medis, elektronis, mekanis, dan diagnosis perangkat lunak
4. Desain
Menentukan konfigurasi
komponen-komponen sistem yang cocok dengan tujuan-tujuan kinerja tertentu dan
kendala-kendala tertentu, diantaranya : layout sirkuit, perancangan bangunan
5. Perencanaan
Merencanakan serangkaian tindakan yang
akan dapat mencapai sejumlah tujuan dengan kondisi awal tertentu, diantaranya :
perencanaan keuangan, komunikasi, militer, pengembangan politik, routing dan
manajemen proyek.
6. Monitoring
Membandingkan tingkah laku suatu sistem
yang teramati dengan tingkah laku yang diharapkan darinya, diantara-nya :
Computer Aided Monitoring System
7. Debugging
dan repair
Menentukan dan mengimplementasikan cara-cara untuk
mengatasi malfungsi, diantaranya memberikan resep obat terhadap suatu
kegagalan.
8. Instruksi
Melakukan instruksi untuk diagnosis,
debugging dan per-baikan kinerja.
9. Kontrol
Mengatur tingkah laku suatu environment
yang kompleks seperti kontrol terhadap interpretasiinterpretasi, prediksi,
perbaikan, dan monitoring kelakuan sistem
10. Seleksi
Mengidentifikasi pilihan terbaik dari sekumpulan (list)
kemungkinan.
11. Simulasi
Pemodelan interaksi antara komponen-komponen sistem.
KOMPONEN SISTEM PAKAR
Komponen sistem pakar ada empat bagian :
1.
KNOWLEDGE BASE (BASIS PENGETAHUAN).
Knowledge Base
(Basis pengetahuan) merupakan inti dari program sistem pakar karena basis
pengetahuan itu merupakan presentasi pengetahuan atau knowledge representation
basis pengetahuan adalah sebuah basis data yang menyimpan aturan-aturan tentang
suatu domain knowledge/pengetahuan tertentu. Basis pengetahuan ini terdiri dari
kumpulan objek beserta aturan dan atributnya (sifat atau cirinya), tentu saja
di dalam domain tertentu. Contoh :If hewan merupakan sayap dan bertelur then
hewan jenis burung.
Ada 2 bentuk
pendekatan basis pengetahuan yang sangat umum digunakan yaitu :
a. Rule-Based Reasoning (Penalaran
berBasis Aturan)
Pada penalaran berbasis aturan,
pengetahuan direpresentasi-kan dengan menggunakan aturan berbentuk IF-THEN.
Bentuk ini digunakan jika kita memiliki sejumlah pengetahuan pakar pada suatu
permasalahan tertentu, dan pakar dapat menyelesaikan masalah tersebut secara
berurutan. Bentuk ini juga digunakan jika dibutuhkan penjelasan tentang jejak
(langkah-langkah) pencapaian solusi.
b. Case-Based Reasoning (Penalaran berBasis
Kasus).
Basis pengetahuan akan berisi
solusi-solusi yang telah di-capai sebelumnya, kemudian akan diturunkan suatu
solusi untuk keadaan yang terjadi sekarang (fakta yang ada). Bentuk ini
digunakan jika pemakai (user) menginginkan untuk tahu lebih banyak lagi pada
kasus-kasus yang hampir sama (mirip). Bentuk ini juga digunakan jika kita telah
memiliki sejumlah situasi atau kasus tertentu dalam basis pengetahuan.
2. Working Memory (Basis Data atau
Memori Kerja).
Working memory adalah bagian yang
mengandung semua fakta-fakta baik fakta awal pada saatsistem beroperasi maupun
fakta-fakta pada saat pengambilan kesimpulan sedang dilaksanakan selama sistem
pakar beroperasi, basis data berada di dalam memori kerja.
3. Inference Engine (Mesin/Motor
Inferensi).
Inference Engine adalah bagian yang
menyediakan mekanisme fungsi berfikir dan pola-pola penalaran sistem yang
digunakan oleh seorang pakar.
·
Mekanisme ini akan menganalisa masalah
tertentu dan selanjutnya akan mencari jawaban atau kesimpulan yang terbaik.
·
Mesin ini akan dimulai pelacakannya
dengan mencocokan kaidah-kaidah dalam basis pengetahuan dengan fakta-fakta yang
ada dalam basis data.
Dua teknik
untuk melakukan Inferensia, yaitu:
a) Forward Chaining (Pelacakan ke
depan). Pencocokan fakta atau pernyataan dimulai dari bagian sebelah kiri (IF)
dulu. Dengan perkataan lain, penalaran dimulai dari fakta terlebih dahulu untuk
menguji kebenaran hipotesa.
Contoh-contoh
aturan
No.
|
Aturan
|
R-1
R-2
R-3
R-4
R-5
R-6
R-7
R-8
R-9
R-10
|
IF
A & B THEN C
IF
C THEN D
IF
A & E THEN F
IF
A THEN G
IF
F & G THEN D
IF
G & E THEN H
IF
C & H THEN I
IF
I & A THEN J
IF
G THEN J
IF
J THEN K
|
Pada
tabel di atas ada 10 aturan (rule) yang tersimpan dalam basis pengetahuan. Fakta awal yang
diberikan hanya : A & E (yaitu berarti A dan F bernilai benar). Hipotesanya adalah apakah K bernilai
benar ? Untuk itu dilakukan langkah-langkah inferensia sebagai berikut :
·
Start
dari R-1. A merupakan fakta sehingga bernilai benar, sedangkan B belum
diketahui kebenarannya, sehingga C pun belum diketahui kebenarannya. Oleh karena itu
pada R-1 kita tidak mendapatkan informasi apapun. Sehingga kita menuju ke R-2.
·
Pada R-2 juga sama kita tidak dapat
memastikan kebenaran D karena C belum diketahui apakah benar atau salah
sehingga kita tidak mendapatkan informasi apapun , sehingga kita menuju ke R-3.
·
Pada R-3 A dan E adalah fakta sehingga
jelas benar. Dengan demikian F sebagai konsekuensi juga benar. Dari
sini kita mendapat fakta baru yaitu F, tetapi karena F bukan hipotesa maka langkah
diteruskan ke R-4
·
Pada R-4 A adalah fakta berarti jelas
benar, sehingga G sebagai konsekuen juga benar. Jadi terdapat fakta baru yaitu
G, tetapi G bukan hipotesa sehingga langkah diteruskan ke R-5.
·
Pada R-5 F dan G benar berdasarkan
aturan R-3 dan R-4, sehingga D sebagai konsekuen juga benar. Terdapat fakta
baru yaitu D, tetapi D bukan hipotesa sehingga diteruskan ke R-6.
·
Pada R-6, E dan G benar berdasarkan
fakta dan R-4, maka H benar. Sehingga terdapat fakta baru yaitu H, tetapi H
bukan hipotesa, sehingga diteruskan ke R-7.
·
Pada R-7, karena C belum diketahui,
maka I juga belum dapat diketahui kebenarannya, sehingga kita tidak mendapatkan
informasi apapun. Diteruskan ke R-8
·
Pada R-8, meskipun A benar karena fakta
tetapi I belum diketahui, sehingga J juga belum dapat diketahui kebenarannya.
Diteruskan ke R-9.
·
Pada R-9, G benar menurut R-4, sehingga
konsekuennya J juga benar, tetapi J bukan hipotesa, maka diteruskan ke R-10.
·
Pada R-10, K benar karena J benar
menurut R-9. Karena K merupakan hipotesa yang dibuktikan maka selesai.
Secara diagram
dapat digambarkan sebagai berikut :
 |
R-4
R-9 R-10
R-5
R-3
R-6 |
|||
 |
|||
Gambar. Forward Chaining
b) Backward Chaining (Pelacakan
kebelakang). Melalui penalaranya dari sekumpulan hipotesis menuju fakta-fakta
yang mendukung tersebut, jadi proses pelacakan berjalan mundur dimulai dengan
menentukan kesimpulan yang akan dicari baru kemudian fakta-fakta pembangun
kesimpulan atau a Goal Driven. Atau dengan kata lain pencocokan fakta atau
pernyataan dimulai dari sebelah kanan (THEN) dulu.
Kita lihat lagi tabel aturan sebelumnya. Terlihat ada 10
aturan yang tersimpan dalam basis pengetahuan. Fakta awal A dan E. Hipotesa
adalah K. Langkah-langkahnya adalah :
·
Pertama-tama dicari terlebih dahulu
mulai dari R-1 aturan yang memiliki konsekuen K, dan ternyata ada di R-10. Dari
R-10, untuk membuktikan K benar harus dibuktikan dahulu bahwa J benar.
·
Dicari aturan yang mempunyai J sebagai
konsekuen mulai dari R-1 dan ternyata di R-8. Pada R-8 A benar tetapi I belum
diketahui kebenarannya, maka mulai R-1 perlu dicari aturan dengan konsekuen I
yaitu di R-7.
·
Untuk membuktikan I benar di R-7, perlu
dibuktikan C dan H benar. Untuk itu dicari aturan dengan konsekuen C yaitu di
R-1.
·
Untuk membuktikan C benar di R-1
haruslah A dan B benar. A jelas benar karena fakta, tetapi B belum diketahui
kebenarannya, dan dalam basis pengetahuan tidak ada aturan yang konsekuennya B.
Dengan demikian penalaran ini tidak bisa membuktikan kebenaran K. Namun
demikian, masih punya alternatif lain untuk melakukan penalaran, yaitu dengan
backtracking.
·
Backtracking. Diulangi lagi dengan
langkah dengan pembuktian kebenaran C dengan mencari aturan lain yang
konsekuennya C. Ternyata tidak ditemukan.
·
Lakukan backtracking lagi dengan
mencari aturan dengan konsekuen I, ternyata tidak ada.
·
Lakukan backtracking lagi mencari
aturan dengan konsekuen J, ditemukan di R-9, tetapi harus membuktikan bahwa G
benar, maka dicari aturan dengan konsekuen G yaitu di R-4
·
R-4, A adalah fakta jadi jelas benar
maka G juga benar. Jadi berdasarkan penalaran ini dapat dibuktikan bahwa
hipotesa K benar.
R-10  |
 |
 |
 |
||||
R-8 R-7 R-1
Gagal
R-10 R-9 R-4 fakta
Sukses.
Contoh : Misal diketahui sistem pakar dengan
aturan-aturan sbb :
R-1 :
IF suku bunga turun THEN harga obligasi naik.
R-2 :
IF suku bunga naik THEN harga obligasi turun.
R-3 :
IF suku bunga tidak berubah THEN harga obligasi tidak
berubah.
R-4 :
IF nilai dolar naik THEN suku bunga turun.
R-5 :
IF nilai dolar turun THEN suku bunga naik.
R-6 :
IF harga obligasi turun THEN beli obligasi.
Sekarang
apabila diketahui bahwa nilai dolar
turun, maka untuk memutuskan apakah akan membeli obligasi atau tidak, dapat
ditunjukkan sebagai berikut :
Forward Chaining (Pelacakan ke depan/Maju).
Dari fakta nilai dolar turun,
berdasarkan R-5 diperoleh bahwa suku
bunga naik, dari R-2 diperoleh suku
bunga naik menyebabkan harga obligasi
turun, kemudian dengan R-6 jika harga
obligasi turun, maka beli obligasi. Jadi
kesimpulan beli obligasi.
|
|
 |
|
|
R-6
|
Backward
Chaining (Pelacakan kebelakang/Mundur). Berangkat dari membeli obligasi, dengan R-6 diperoleh anteseden harga obligasi turun. Dari R-2 dapat
dibuktikan bahwa harga obligasi turun
bernilai benar jika suku bunga naik
bernilai benar. Dari R-5, suku bunga naik
memang bernilai benar karena diketahui fakta bahwa nilai dolar turun.
 |
|
 |
|
 |
|
4.
User Interface (Antarmuka Pemakai).
Antarmuka
pemakai adalah bagian penghubung antara program
sistem pakar dengan pemakai.Pada bagian memungkinkan pengguna untuk
memasukkan instruksi dan informasi ke dalam sistempakar serta menerima
penjelasan dan kesimpulan. (Gambar di bawah ini).
 |
Knowlegde Base
Inference Engine User Interface |
|||||
|
|||||
 |
|||||
Working Memory |
|||
 |
|||
Komponen Utama Sistem Pakar.
CIRI-CIRI SISTEM PAKAR.
Ciri-ciri sistem pakar adalah sebagai berikut:
1.
Terbatas pada domain keahlian tertentu.
2.
Memiliki fasilitas informasi yang
handal.
3.
Dapat memberikan penalaran untuk data
data yang tidak pasti.
4.
Dapat mengemukan rangkaian
alasan-alasan yang diberikannya dengan
cara yang dapat dipahami.
5.
Berdasarkan pada kaidah/rRule tertentu.
6.
Memiliki kemampuan untuk belajar
beradaptasi.
7.
Dirancang untuk dapat dikembangkan
secara bertahap (mudah dimodifikasi).
8.
Dapat digunakan dalam berbagai jenis
komputer
9.
Keluaranya bersifat anjuran.
SISTEM KERJA PAKAR.
Menurut Staugard (1987) sistem kerja pakar terbagi dalam
tiga modul yaitu:
1.
Modul Penerimaan Pengetahuan.
Modul ini
digunakan untuk mendapatkan pengetahuan sistem pakar yang melalui proses
penerimaan pengetahuan. Proses ini dilakukakan melalui interaksi dengan pakar,
sedangkan peneri-maan pengetahuan dilakukan dengan bantuan Knowledge Engineer
(KE), yaitu seorang spesialis sistem yang menterjemahkan pengetahuan yang
dimiliki seorang pakar menjadi pengetahuan yang akan tersimpan dalam basis
pengetahuan pada sebuah sistem pakar
(Gambar di
bawah).
2.
Modul Konsultasi.
Sistem pakar
pada modul konsultasi apabila sistem memberikan konsultasi berupa jawaban atas
permasalahan yang diajukan oleh pemakai pada modul ini pemakai yang awam
berinteraksi dengan sistem dengan memasukkan data dan jawaban-jawaban
pertanyaan sistem. Data yang dimasukkan oleh pemakai ditempatkan dalam database
sistem dan kemudian diakses oleh pembangkit inference untuk mendapatkan
kesimpulan.
3.
Modul Penjelasan.
Modul
Penjelasan adalah menjelaskan proses pengambilan keputusan yang dilakukan oleh
sistem.
CARA REPRESENTASI.
Cara representasi dalam sistem pakar (Turban,1992)
terbagi dalam tiga teknik, yaitu:
1. Production Rule
Production Rule adalah model
ide dasar dari sistem yang memopresentasikan pengetahuan dengan bentuk pasangan
kondisi aksi (Jika-Maka, IF - THEN).
2. Semantic Network.
Semantic Network adalah gambaran
grafis dari pengetahuan yang terdiri
node atau symbol dan hubungan atau link yang memperlihatkan hubungan hirarkis
antar objek.
3. Frame.
Frame adalah
struktur data yang berisi semua pengetahuan tentang objek tertentu.
PENGEMBANGAN SISTEM PAKAR.
Diperlukan beberapa tahapan, misal kita dapat menggunakan
metode choice/pilihan. Metode ini terdiri dari :
1.
Rekayasa sistem dan analisis.
Dalam tahap ini
dilakukan komunikasi antar pencari dan pengguna sistem untuk membahas masalah
yang dihadapi. Mengidentifikasi masalah dan kebutuhan. Mengkaji situasi dan
memutuskan dengan pasti tentang masalah yang akan dikomputerisasi dan apakah
dengan sistem pakar bisa lebih membantu atau tidak. Misalnya :
·
Pemakai sistem sangat tergantung dengan
beberapa spesialis yang diperlukan dalam sistem pakar. Ini jangan sampai
terjadi.
·
Tidak terlalu membebani operator dengan
tugas-tugas yang seharusnya dikerjakan oleh seorang pakar.
2.
Menentukan masalah yang cocok. Ada
beberapa syarat yang harus dipenuhi agar sistem pakar dapat bekerja dengan
baik, yaitu :
·
Domain tidak terlalu luas;
·
Kompleksitasnya menengah, artinya jika
masalah terlalu mudah (dapat diselesaikan dalam beberapa detik saja) atau
masalah yang sangat komplek seperti peramalan berhentinya semburan lumpur
lapindo tidak perlu menggunakan sistem pakar;
·
Tersedianya ahli (pakar) dalam bidang
yang akan dibuat sistem pakarnya;
·
Menghasilkan solusi mental bukan fisik,
artinya sistem pakar hanya memberikan anjuran tidak bisa melakukan aktivitas
fisik seperti membau atau merasakan;
·
Tidak melibatkan hal-hal yang common sense, yaitu penalaran yang diperoleh
dari pengalaman, seperti : adanya gravitasi membuat benda jatuh, atau jika
lampu traffic light merah maka kendaraan harus berhenti.
3.
Mempertimbangkan Alternatif. Yaitu
menggunakan sistem pakar atau komputer tradisional.
4.
Menghitung pengembalian investasi,
termasuk diantaranya biaya pembuatan sistem pakar, biaya pemeliharaan, dan
biaya pelatihan.
5.
Memilih alat pengembangan. Dapat
menggunakan software pembuat sistem pakar (seperti SHELL, dengan WinExsys yang
beroperasi pada sistem operasi windows 97), atau dirancang dengan bahasa
pemrograman sendiri (misal dengan bahasa PROLOG).
6.
Rekayasa Pengetahuan. Perlu dilakukan
penyempurnaan terhadap aturan-aturan yang sesuai.
7.
Desain (Design) sistem. Tahap ini
termasuk pembuatan prototype serta menterjemahkan pengetahuan menjadi
aturan-aturan. Juga pada tahap ini ditentukan konfigurasi yang dibutuhkan oleh
sistem dan metode yang digunakan dalam mengambil keputusan.
8.
Pengkodean (Coding). Pada tahap ini
dilakukan perubahan hasil desain menjadi program yang dapat dibaca oleh
komputer.
9.
Pengujian (Testing). Pada tahap ini
dilakukan pengujian dari kinerja sistem,mencari dan memperbaiki kesalahan/error
yang ada.
10. Pemeliharaan
(Maintanance). Pemeliharaan sistem dilakukan dengan kaidah pengambil keputusan.
Serta memperbaharui pengetahuan, mengganti pengetahuan yang sudah ketinggalan,
dan meluweskan sistem agar bisa lebih baik lagi dalam menyelesaikan masalah.
KEUNTUNGAN DAN
KERUGIAN EXPERT SYSTEM
Keuntungan
Expert System untuk manajer.
1. Menyajikan lebih banyak alternatif.
2. Menerapkan logika tingkat tinggi
3. Menyediakan
waktu banyak untuk evaluasi hasil
keputusan.
4. Memberikan solusi yang lebih konsisten
5. Membuat seorang awam bekerja seperti
layaknya seorang pakar;
6. Menyederhanakan pekerjaan dan meningkatnya
efisiensi kerja;
7. Meningkatnya kualitas pekerjaan;
8. Meningkatnya produktifitas sehingga
meningkat pula performance perusahaan;
Merupakan arsip yang terpercaya sehingga
seolah-olah langsung konsultasi dengan pakar (meskipun sang pakar telah tiada)Memperluas
jangkauan.
Keuntungan Expert
System untuk perusahaan.
1. Meningkatkan
performance perusahaan.
2. Memelihara pengendalian terhadap knowledge
perusahaan.
Kerugian Expert
System
Dua
karakteristik Expert System membatasi
kemampuan peralatan untuk memecahkan
masalah bisnis, yaitu :
1. E.S. tidak dapat menangani inkonsistesi knowledge.
2. E.S. tidak dapat menerapkan judgement dan instuisi sebagai
suatu bahan penting untuk pemecahan masalah.
4. Sistem pakar
hanya dapat menangani pengetahuan yang konsisten. Sistem pakar dirancang dengan
aturan-aturan yang hasilnya sudah pasti dan konsisten sesuai dengan alur di
diagram pohonnya. Untuk pengetahuan yang cepat berubah-rubah dari waktu ke
waktu, maka knowledge base di sistem pakar harus selalu diubah, yang tentu
cukup merepotkan.
5. Sistem pakar
tidak dapat menangani hal yang bersifat judgement. Sistem pakar memberikan
hasil yang pasti, sehingga keputusan akhir pengambilan keputusan jika
melibatkan kebijaksaaan dan institusi masih tetap di tangan manajemen.
6. Format
knowledge base sistem pakar terbatas. Knowledge base pada sistem pakar berisi
aturan-aturan (rules) yang ditulis dalam bentuk statemen if-then.
Pengembangan sistem pakar melibatkan 4
(empat) pihak yaitu analis sistem, knowledge engineer, pakar dan pemakai sistem
(users).
Bottom Line
Hambatan
terbesar untuk menerapkan Expert System
kedalam bisnis adalah struktur masalah.
2.3. PERAN POTENSIAL SYTEM PAKAR
DALAM MEMECAHKAN MASALAH BISNIS
Development
Engine
Development
Engine membangun Rule Set dengan
pendekatan :
1.
Bahasa Pemrograman (Programming Language).
2.
Bagian Expert System (Expert System Shell)
Peran
Sistem Analist sebagai Knowledge Engineer dalam organisasi bisnis dengan
menggunakan keterampilan untuk membangun aplikasi komputer yang
konvesional, yaitu :
· Memahami bagaimana Expert menerapkan
keahliannya dalam pemecahan masalah.
· Dapat menarik suatu Description Of Knowledge dari Expert.
Proses
Pengembangan Sistem
· Permulaan proses pengembangan
· Prototype pengembangan Expert System
· Partisipasi User
· Pemeliharaan Expert System
PENGAMBILAN KEPUTUSAN MENGGUNAKAN
EXPERT SYSTEM.
Faktor dan kondisi yang mempengaruhi
terdiri atas :
1. Alasan Umum
Programming
Konvensional (Algoritma) tidak memuaskan.Adanya Expert yang dapat memecahkan masalah.
Para pakar tidak selalu tersedia. Tidak ada alternatif
solusi yang tersedia pada suatu saat. Kelengkapan sistem lebih
disesuaikan pengeluaran. Pemilihan problem domain menyajikan
kombinasi terbaik.
2.Problem Domain
Problem Domain ditandai
oleh penggunaan Expert Knowledge, Judgement dan pengalaman. Formal Knowledge
tersedia pasti dalam bentuk buku. Domain lebih stabil
dan Expert System akan menyediakan kebutuhan jangka panjang.
3.Domain Task.
Task tidak terlalu
mudah dan juga tidak terlalu sulit.
Task mensyaratkan
Primarily Symbolic Reasoning.
Task mensyaratkan
penggunaan Heuristic.
Task tidak mensyaratkan
knowledge dari bidang yang luas.
Task harus jelas
terdefinisi
Sejumlah
knowledge mensyaratkan dengan task yang cukup luas
menggunakan knowledge base. Sejumlah konsep Important Task tidak
lebih dari seratus. Ketrampilan Task dapat diajarkan
kepada pemula.
4.Domain Personnel.
Merupakan dukungan
manajemen yang kuat. Potential User memiliki harapan
realistik
Hasil bukan merupakan Politically
Sensitive. Sistem menggunakan prosedur standar secara minimal.
5.Expert.
Memiliki
Expert yang kualified dan menepati waktu.
Expert
harus terpercaya.
Expert
harus kooperatif dan komunikatif.
Expert
dapat menyediakan lebih banyak Expertise.
Apabila
banyak Expertise harus The Right Answer.
Salah
satu harus sebagai Chief Expertise.
6.Sistem Analist
Sistem Analist harus telah memahami
problem domain atau dapat mempelajarinya.
Sistem Analist dapat menarik Expert
Knowledge.
2.4. MODEL MODEL JARINGAN SYARAF
Secara awam, aspek yang
cukup penting yang mendasari berbagai teori dalam AI adalah system pengenalan
pola (Pattern Recognizing) yang merupakan bagian dari pengimplementasian Neural
Network (NN) atau Jaringan Syaraf Buatan secara praktis. Sistem pengenalan pola
merupakan komponen penting dalam proses peniruan kemampuan inderawi manusia
terutama penglihatan dan pendengaran. Sebagai contoh, untuk meniru indera
penglihatan manusia, komputer harus mempunyai suatu mekanisme standar dan logis
dalam mengenali pola yang ada pada suatu citra yang sedang diproses. Dari
sinilah diperoleh motivasi untuk mencoba suatu konsep sederhana untuk mengenali
pola dari suatu citra sehingga dapat diidentifikasi dengan baik oleh komputer.
Permasalahan utama yang terjadi apabila hendak mengenali suatu pola tertentu
dan mengumpankannya ke dalam suatu proses jaringan syaraf buatan adalah
bagaimana proses akuisisi data dilakukan sehingga menghasilkan sejumlah data
numerik yang representatif dan konsisten terhadap sampel yang diberikan. Dalam
penulisan ini, kita mencoba mengaplikasikan suatu metode sederhana untuk
mengenali suatu citra sehingga dapat diidentifikasi dengan baik oleh komputer
dengan memanfaatkan berbagai teori seperti Image Proccessing, Artificial Neural
Networks.
.
Landasan Teori
1.
Jaringan Syaraf Biologi
Otak manusia memiliki
struktur yang sangat kompleks dan memiliki kemampuan yang luar biasa. Otak
terdiri dari neuron-neuron dan penghubung yang disebut sinapsis. Neuron bekerja
berdasarkan impuls atau sinyal yang diberikan pada neuron. Neuron meneruskannya
pada neuron lain. Diperkirakan manusia memiliki 1012 neuron dan 6.1018
sinapsis. Dengan jumlah yang begitu banyak, otak mampu mengenali pola,
melakukan perhitungan, dan mengontrol organ-organ tubuh.
Neuron memiliki tiga
komponen penting yaitu dendrit, soma dan axon. Dendrit menerima sinyal dari
neuron lain. Sinyal tersebut berupa impuls elektrik yang dikirim melalui celah
sinaptik melalui proses kimiawi. Sinyal tersebut dimodifikasi di celah
sinaptik. Berikutnya soma menjumlahkan semua sinyal-sinyal yang masuk. Kalau
jumlah tersebut cukup kuat dan melebihi batas ambang (treshold), maka sinyal
tersebut akan diteruskan ke sel lain melalui axon. Frekuensi penerusan sinyal
berbeda beda antara satu sel dengan yang lain.
2.Jaringan
Syaraf Tiruan
Jaringan syaraf tiruan
(JST) adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan
jaringan syaraf biologi.
JST dibentuk sebagai
generalisasi model matematika dari jaringan syaraf biologi, dengan asumsi bahwa
:
·
Pemrosesan informasi terjadi pada banyak
elemen sederhana (neuron)
·
Sinyal dikirimkan diantara neuron-neuron
melalui penghubung- penghubung
·
Penghubung antar neuron memiliki bobot
yang akan memperkuat atau memperlemah sinyal
·
Untuk menentukan output, setiap neuron
menggunakan fungsi aktivasi yang dikenakan pada jumlah output yang diterima.
Besarnya output ini selanjutnya dibandingkan dengan suatu batas ambang.
JST ditentukan oleh
tiga hal :
1. Pola
hubungan antar neuron (disebut arsitektur jaringan)
2. Metode
untuk menentukan bobot penghubung (disebut metodtraining/learning/algoritma)
3. Fungsi
aktivasi
Aplikasi Jaringan Syaraf Tiruan
Beberapa aplikasi jaringan syaraf tiruan adalah
sebagai berikut :
1. Pengenalan
Pola (pattern Recognition)
Jaringan syaraf tiruan dapat dipakai untuk mengenali
pola (misal huruf, angka, suara atau tanda tangan) yang sudah sedikit berubah.
Hal ini mirip dengan otak manusia yang masih mampu mengenali orang yang sudah
beberapa waktu tidak di jumpainya (mungkin wajah/bentuk tubuhnya sudah sedikit
berubah).
2. Signal
Processing
Jaringan syaraf tiruan (model ADALINE) dapat dipakai
unuk menekan noise dalam saluran telepon.
3. Peramalan
Jaringan syaraf tiruan juga dapat dipakai untuk
meramalkan apa yang sudah terjadi di masa yang akan datang berdasarkan pola
kejadian yang ada di masa lampau. Ini dapat dilakukan mengingat kemampuan
jaringan syaraf tiruan untuk mengingat dan membuat generalisasi dari apa yang
sudah ada sebelumnya.
Disamping area-area terebut, jaringan syaraf tiruan
juga di laporkan dapat menyelesaikan masalah dalam bidang kontrol, kedokteran,
dan lain-lain.
Meskipun banyak aplikasi menjanjikan yang dapat di
lakukan oleh jaringan syaraf tiruan juga memiliki beberapa keterbatasan umum,
namun jaringan syaraf tiruan juga memiliki beberapa keterbatasan umum. Pertama
adalah ketidak akuratan hasil yang di peroleh. Jaringan syaraf tiruan bekerja
berdasarkan pola yang terbentuk pada inputnya.
Arsitektur Neural
Network
Secara umum, terdapat tiga jenis neural network yang
sering digunakan
berdasarkan jenisnetwork-nya,
yaitu :
·
Single-Layer Neural Network
·
Multilayer Perceptron Neural Network
·
Recurrent Neural Networks
·
Neural network jenis ini memiliki
koneksi pada inputnya secara langsung ke jaringan output.
·
Jenis neural network ini sangatlah
terbatas, hanya digunakan pada kasus-kasus yang sederhana.
·
Neural network jenis ini memiliki ciri,
yaitu adanya koneksi umpan balik dari output ke input.
·
Kelemahan dari jenis ini adalah Time
Delay akibat proses umpan balik dari output ke titik input.
proses
Pembelajaran pada Neural Network
Proses pembelajaran merupakan suatu metoda untuk
proses pengenalan suatu objek yang sifatnya kontinuitas yang selalu direspon
secara berbeda dari setiap proses pembelajaran tersebut. Tujuan dari
pembelajaran ini sebenarnya untuk memperkecil tingkat suatu error dalam
pengenalan suatu objek. Secara mendasar, neural network memiliki sistem
pembelajaran yang terdiri atas beberapa jenis berikut :
·
Supervised Learning
Sistem pembelajaran pada metoda
Supervised learning adalah system pembelajaran yang mana setiap pengetahuan
yang akan diberikan kepada sistem, pada awalnya diberikan suatu acuan untuk
memetakan suatu masukan menjadi suatu keluaran yang diinginkan. Proses
pembelajaran ini akan terus dilakukan selama kondisi error atau
kondisi yang diinginkan belum tercapai. Adapun setiap perolehan error
akan dikalkulasikan untuk setiap pemrosesan hingga data atau nilai yang
diinginkan telah tercapai.
·
Unsupervised Learning
Sistem pembelajaran pada neural
network, yang mana sistem ini memberikan sepenuhnya pada hasil komputasi
dari setiap pemrosesan, sehingga pada sistem ini tidak membutuhkan adanya
acuan awal agar perolehan nilai dapat dicapai. Meskipun secara mendasar, proses
ini tetap mengkalkulasikan setiap langkah pada setiap kesalahannya dengan
mengkalkulasikan setiap nilai weight yang didapat
Arsitektur Jaringan Syaraf Tiruan
Berdasarkan strategi pelatihan, model jaringan
dibagi menjadi :
1. Pelatihan
dengan supervisi.
Contoh model ini adalah : Hebbian, Perceptron,
ADALINE, Boltzman, Hopfield, Backpropagation,dll.
2. Pelatihan
tanpa supervise
Contoh model yang masuk dalam kategori ini antara
lain model competitive, Hebbian, Kohonen, LVQ (Learning Vektor
Quantization),Neocognitron,dll.
BAB
III
3.1
KESIMPULAN DAN SARAN
kesimpulan
CBIS
sangat membantuk untuk mengambil keputusan yang tepat dan akurat. CBIS
mempunyai beberapa istilah diantaranya adalah data, informasi, sistem, sistem
informasi dan basis computer. Model CBIS itu sendiri adalah Sistem
informasi menejemen yang menghasilkan suatu informasi yang dapat memberikan
keputusan mengenai perencanaan kerja, pemecahan masalah dan kebijakan
perusahaan.
Masing-masing
golongan mempunyai hubungan kerja. Pada analis sistem bekerja sama dengan pemakai
untuk mengembangkan dan memperbaiki sistem yang telah ada. Pengolahan database
bekerja sama dengan pemalkai dan analis sistem untuk menciptakan database yang
berisi data agar dapat menghasilkan informasi yang diperlukan. Spesialis
jaringan bekerja sama dengan pemakai dan analis sistem untuk menyatukan sumber
daya komputer yang tersebar. Programmer bekerjasama dengan analis sistem untuk
mengumpulkan data untuk membuat kode instruksi dari data menjadi informasi yang
di butuhkan oleh pemakai. Dan operator bekerja mengoperasikan peralatan dan
software komputer.
Saran
Sebaiknya
perusahaan dan organisasi memanfaatkan CBIS dengan sebaiknya untuk mendapatkan
informasi yang akurat untuk memajukan organisasi dan perusahaan.
BAB
IV
DAFTAR PUSTAKA
Sumber :
-
http://wikipedia.com/isdn
-
http://v318.wordpress.com/2008/05/30/cbis-computer-based-information-system/
-
juwita.staff.gunadarma.ac.id/Downloads/files/.../CBIS.doc
- ilmukomputer.org/.../computer-based-information-system-cbis/
-
shafiq0211.multiply.com/journal/item/23/CBIS
-
asep-saepudin.blogspot.com/.../cbis-sistem-informasi-berbasis-komputer.html
-http://www.voila.web.id/komputer/sistem-informasi-manajemen/computer-based-information-system
