Inferential Engine Forward and Backward

Motor Inferensi (Inference engine) merupakan pusat pengambilan keputusan pada Sistem Pakar dengan penyesuaian fakta-fakta pada memori dengan basis pengetahuan untuk mendapatkan kesimpulan dan jawaban. Inference engine merupakan otak dan pemikir dari suatu Sistem Pakar. Dalam inference engine ini sistem melakukan suatu penalaran yang dilandasi oleh basis pengetahuan (didapat dari pakar) yang dimiliki sistem sehingga menghasilkan sebuah keputusan.

Proses penalaran ada dua macam dan biasanya lebih disebut dengan proses chaining (forward chaining dan backward chaining). Kedua metode ini mempunyai kelebihan tersendiri, semuanya itu tergantung terutama dari kondisi permasalahan yang dihadapi dan basis pengetahuan. Metode forward Chaining dan backward chaining merupakan dua teknik penalaran yang biasa digunakan dalam sistem pakar. 

A.    Metode forward Chaining

Kadang disebut:data-driven karena inference engine menggunakan informasi yang ditentukan oleh user untuk memindahkan ke seluruh jaringan dari logika ‘AND’ dan ‘OR’ sampai sebuah terminal ditentukan sebagai objek. Bila inference engine tidak dapat menentukan objek maka akan meminta informasi lain. Aturan (Rule) di mana menentukan objek, membentuk path (lintasan) yang mengarah ke objek. Oleh karena itu, hanya satu cara untuk mencapai satu objek adalah memenuhi semua aturan.

Forward chaining: Pencocokan fakta atau pernyataan dimulai dari bagian sebelah kiri dulu (IF dulu). Dengan kata lain penalaran dimulai dari fakta terlebih dahulu untuk menguji kebenaran hipotesis.

B.     Metode backward Chaining

Merupakan kebalikan dari forward chaining dimana mulai dengan sebuah hipotesa (sebuah objek) dan meminta informasi untuk meyakinkan atau mengabaikan. Backward chaining inference engine sering disebut: ‘Object-Driven/Goal-Driven‘.

Kedua teknik penalaran di atas (forward dan backward chaining) dipengaruhi oleh tiga macam teknik penelusuran (searching) yaitu:

1. Teknik Depth-First Search

Adalah teknik penelusuran data pada node-node secara vertical dan sudah terdefinisi, misalnya kiri ke kanan, keuntungan pencarian dengan teknik ini adalah bahwa penelurusan masalah dapat di gali secara mendalam sampai di temukannya kapasitas suatu solusi yang optimal.

Kekurangan teknik penelesuran ini adalah membutuhkan waktu yang sangat lama untuk ruang lingkup masalah yang besar.

Gambar Teknik Depth First Search

2. Teknik Breadth-First Search

Adalah teknik penelusuran data pada semua node dalam satu level atau salah satu tingkatan sebelum ke level atau tingkatan di bawahnya. Keuntungan pencarian daengan teknik ini adalah sama dengan depth first search, hanya saja penelusuran dengan tehnik ini mempunyai nilai tambah, dimana semua node akan di cek secara menyeluruh pada setiap tingkatan node. Kekurangan teknik penelusuran ini terletak pada waktu yang dibutuhkan yang sangat lama apabila solusi berada dalam posisi node terakhir sehingga menjadi tidak efisien. Kekurangan dalam implementasi juga perlu di pertimbangkan, misalnya teknik penelusuran menjadi tidak interaktif antara suatu topik dengan topik yang lain atau harus melompat dari satu topik ke topik yang lain sebelum topik tersebut selesai di telusuri.

Gambar Teknik Breadth First Search

3. Teknik Best-First Search

Adalah teknik penelusuran yang menggunakan pengetahuan akan suatu masalah untuk melakukan panduan pencarian ke arah node tempat dimana solusi berada. Pencarian jenis ini dikenal juga sebagai heuristic. Pendekatan yang dilakukan adalah mencari solusi yang terbaik berdasarkan pengetahuan yang dimiliki sehingga penelusuran dapat ditentukan harus di mulai dari mana dan bagaimana menggunakan proses terbaik untuk mencari solusi. Keuntungan jenis pencarian ini adalah mengurangi beban komputasi karena hanya solusi yang memberikan harapan saja yang diuji dan akan berhenti apabila solusi sudah mendekati yang terbaik. Ini merupakan model yang menyerupai cara manusia mengambil solusi yang dihasilkan merupakan solusi yang mutlak benar.

Gambar Teknik Best First Search

DECISSION TREE / POHON KEPUTUSAN

Pengertian

Pohon keputusan adalah salah satu metode klasifikasi yang paling populer karena mudah untuk diinterpretasi oleh manusia. Pohon keputusan adalah model prediksi menggunakan struktur pohon atau struktur berhirarki. Konsep dari pohon keputusan adalah mengubah data menjadi pohon keputusan dan aturan-aturan keputusan. Manfaat utama dari penggunaan pohon keputusan adalah kemampuannya untuk mem-break down proses pengambilan keputusan yang kompleks menjadi lebih simpel sehingga pengambil keputusan akan lebih menginterpretasikan solusi dari permasalahan. Pohon Keputusan juga berguna untuk mengeksplorasi data, menemukan hubungan tersembunyi.

Metode ini pada dasarnya merupakan :

·         >Skema atau rangkaian keadaan dan kemungkinan hasilnya (probability outcomes).

·         >Cara untuk menderhanakan dan memecahkan pengambilan keputusan yang rumit dan kompleks.

·         >Angka-angka yang terletak pada cabang-cabang tersebut merupakan probabilitas kesempatan akan      munculnya keputusan yang ada di cabang tersebut dalam pilihan.

·         >Expected values/hasil estimasi adalaha sebuah estimasi hasil dari sebuah keputusan tertentu.

Manfaat Pohon Keputusan

Pohon keputusan adalah salah satu metode klasifikasi yang paling populer karena mudah untuk diinterpretasi oleh manusia. Pohon keputusan adalah model prediksi menggunakan struktur pohon atau struktur berhirarki. Konsep dari pohon keputusan adalah mengubah data menjadi pohon keputusan dan aturan-aturan keputusan. Manfaat utama dari penggunaan pohon keputusan adalah kemampuannya untuk mem-break down proses pengambilan keputusan yang kompleks menjadi lebih simpel sehingga pengambil keputusan akan lebih menginterpretasikan solusi dari permasalahan. Pohon Keputusan juga berguna untuk mengeksplorasi data, menemukan hubungan tersembunyi
antara sejumlah calon variabel input dengan sebuah variabel target. Pohon keputusan memadukan antara
eksplorasi data dan pemodelan, sehingga  sangat bagus sebagai langkah awal dalam proses pemodelan bahkan ketika
dijadikan sebagai model akhir dari beberapa teknik lain. Sering terjadi tawar menawar antara keakuratan
model dengan transparansi model. Dalam beberapa aplikasi, akurasi dari sebuah klasifikasi atau prediksi adalah satu-satunya hal yang ditonjolkan, misalnya sebuah perusahaan direct mail membuat sebuah model yang akurat untuk
memprediksi anggota mana yang berpotensi untuk merespon permintaan, tanpa memperhatikan bagaimana atau mengapa model tersebut bekerja.

Model Pohon Keputusan

Pohon keputusan adalah model prediksi menggunakan struktur pohon atau struktur berhirarki. Contoh dari pohon keputusan dapat dilihat di Gambar berikut ini.

Model Pohon Keputusan (Pramudiono,2008)

Disini setiap percabangan menyatakan kondisi yang harus dipenuhi dan tiap ujung pohon menyatakan kelas data. Contoh di Gambar 1 adalah identifikasi pembeli komputer,dari pohon keputusan tersebut diketahui bahwa salah satu kelompok yang potensial membeli komputer adalah orang yang berusia di bawah 30 tahun dan juga pelajar. Setelah sebuah pohon keputusan dibangun maka dapat digunakan untuk mengklasifikasikan record yang belum ada kelasnya. Dimulai dari node root, menggunakan tes terhadap atribut dari recordyang belum ada kelasnya tersebut lalu mengikuti cabang yang sesuai dengan hasil dari tes tersebut, yang akan membawa kepada internal node (node yang memiliki satu cabang masuk dan dua atau lebih cabang yang keluar), dengan cara harus melakukan tes lagi terhadap atribut atau node daun. Record yang kelasnya tidak diketahui kemudian diberikan kelas yang sesuai dengan kelas yang ada pada node daun. Pada pohon keputusan setiap simpul daun menandai label kelas. Proses dalam pohon keputusan yaitu mengubah bentuk data (tabel) menjadi model pohon (tree) kemudian mengubah model pohon tersebut menjadi aturan (rule).

Kelebihan Pohon Keputusan

Kelebihan dari metode pohon keputusan adalah:

§  Daerah pengambilan keputusan yang sebelumnya kompleks dan sangat global, dapat diubah menjadi lebih simpel dan spesifik.

§  Eliminasi perhitungan-perhitungan yang tidak diperlukan, karena ketika menggunakan metode pohon keputusan maka sample diuji hanya berdasarkan kriteria atau kelas tertentu.

§  Fleksibel untuk memilih fitur dari internal node yang berbeda, fitur yang terpilih akan membedakan suatu kriteria dibandingkan kriteria yang lain dalam node yang sama. Kefleksibelan metode pohon keputusan ini meningkatkan kualitas keputusan yang dihasilkan jika dibandingkan ketika menggunakan metode penghitungan satu tahap yang lebih konvensional

§  Dalam analisis multivariat, dengan kriteria dan kelas yang jumlahnya sangat banyak, seorang penguji biasanya perlu untuk mengestimasikan baik itu distribusi dimensi tinggi ataupun parameter tertentu dari distribusi kelas tersebut. Metode pohon keputusan dapat menghindari munculnya permasalahan ini dengan menggunakan criteria yang jumlahnya lebih sedikit pada setiap node internal tanpa banyak mengurangi kualitas keputusan yang dihasilkan.

Kekurangan Pohon Keputusan

§  Terjadi overlap terutama ketika kelas-kelas dan criteria yang digunakan jumlahnya sangat banyak. Hal tersebut juga dapat

menyebabkan meningkatnya waktu pengambilan keputusan dan jumlah memori yang diperlukan.

§  Pengakumulasian jumlah eror dari setiap tingkat dalam sebuah pohon keputusan yang besar.

§  Kesulitan dalam mendesain pohon keputusan yang optimal.

§  Hasil kualitas keputusan yang didapatkan dari metode pohon keputusan sangat tergantung pada bagaimana pohon tersebut didesain.

REFERENSI :

https://fairuzelsaid.wordpress.com/2009/11/24/data-mining-konsep-pohon-keputusan/

http://dua7an.blogspot.co.id/2013/12/tentang-pohon-keputusan-decision-tree.html

BASIS PENGETAHUAN SISTEM PAKAR

Sistem pakar adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer yang dirancang untuk memodelkan kemampuan menyelesaikan masalah seperti layaknya seorang pakar.

Menurut ahli, yaitu (Syammsudin aries,2004) Sistem Pakar adalah Sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti yang biasa dilakukan para ahli.

Komponen utama pada struktur sistem pakar (Hu et al, 1987) meliputi:

1.       Basis Pengetahuan (Knowledge Base) Basis pengetahuan merupakan inti dari suatu sistem pakar, yaitu berupa representasi pengetahuan dari pakar.

2.       Mesin Inferensi (Inference Engine) Mesin inferensi berperan sebagai otak dari sistem pakar. Mesin inferensi berfungsi untuk memandu proses penalaran terhadap suatu kondisi, berdasarkan pada basis pengetahuan yang tersedia.

3.       Basis Data (Database) Basis data terdiri atas semua fakta yang diperlukan, dimana fakta-fakta tersebut digunakan untuk memenuhi kondisi dari kaidah-kaidah dalam sistem. 

4.       Antarmuka Pemakai (User Interface) Fasilitas ini digunakan sebagai perantara komunikasi antara pemakai dengan sistem.

Teknik Representasi Pengetahuan

Representasi pengetahuan adalah suatu teknik untuk merepresentasikan basis pengetahuan yang diperoleh ke dalam suatu skema/diagram tertentu sehingga dapat diketahui relasi/keterhubungan antara suatu data dengan data yang lain. Teknik ini membantu knowledge engineer dalam memahami struktur pengetahuan yang akan dibuat sistem pakarnya. Terdapat beberapa teknik representasi pengetahuan yang biasa digunakan dalam pengembangan suatu sistem pakar, yaitu : 
1. Rule-Based Knowledge      
2. Pengetahuan direpresentasikan dalam suatu bentuk fakta (facts) dan aturan (rules). Bentuk            representasi ini terdiri atas premise dan kesimpulan
3. Frame-Based Knowledge Pengetahuan direpresentasikan dalam suatu bentuk hirarki atau              jaringan frame.
4 Object-Based Knowledge Pengetahuan direpresentasikan sebagai jaringan dari obyek-                   objek. Obyek adalah elemen data yang terdiri dari data dan metoda (proses).

    5. Case-Base Reasoning Pengetahuan direpresentasikan dalam bentuk kesimpulan                            kasus(cases).

Pengetahuan di dalam Sistem Pakar

 Pengetahuan yang  digunakan untuk memecahkan suatu masalah harus dipaparkan sehingga dapat digunakan untuk menuliskan kode ke dalam komputer dan kemudian dapat dilakukan  pengambilan keputusan oleh Sistem Pakar. Ada berbagai metode formal untuk mewakili pengetahuan dan pada umumnya karakteristik dari suatu masalah tertentu akan menentukan teknik penyajian yang sesuai mempekerjakan.

Dasar pengetahuan salah satunya didapatkan dari  aturan produksi perusahaan. Aturan ini terdiri dari suatu pendapat atau kondisi yang diikuti oleh suatu kesimpulan atau tindakan (contoh : IF kondisi THEN tindakan). Aturan produksi mengijinkan hubungan dasar pengetahuan untuk dipecahkan ke dalam unit yang dapat dikendalikan. Suatu dasar pengetahuan yang terdiri dari ratusan atau beribu-ribu aturan dapat menyebabkan suatu masalah dengan organisasi dan manajemen  aturan itu. Pengaturan visualisasi dan aturan saling behubungan, mereka dapat dipenuhi sampai jaringan ketergantungan.

Sepanjang konsultasi aturan dasar, dikemukakan  kondisi-kondisi yang dapat memuaskan  pemakai. Operasi ini dilakukan oleh mesin pengambil  kesimpulan. Suatu ketika semua kondisi-kondisi ( yaitu. IF bagian-bagian dari aturan) dari suatu aturan sesuai, aturan dieksekusi dan kesimpulan yang sesuai ditarik. Berdasarkan  Atas kesimpulan dan fakta yang diperoleh selama konsultasi, mekanisme kesimpulan menentukan pertanyaan yang (mana)  akan ditanyakan dan di pesan apa yang ditampilkan. Ada berbagai metoda inferencing tersedia untuk melaksanakan tugas pencarian, menyesuaikan, dan eksekusi. Suatu karakteristik Sistem Pakar yang berbeda dari perangkat lunak konvensional adalah kemampuan mereka untuk memperbaiki kekurangan atau kesalahan data.

Dalam sepuluh tahun terakhir, perangkat lunak komputer berbasis kecerdasan buatan yang disebut Sistem Pakar sudah menerima banyak perhatian. Karena perangkat lunak ini sudah banyak di gunakan untuk memecahkan permasalahan yang berhubungan didalam suatu bidang. Contohnya  meliputi sistem komputer disain, perbaikan lokomotif, dan cloning Gen.

Pada jaman sekarang ini perangkat lunak komputer yang paling sering digunakan adalah suatu Sistem Pakar yang memiliki friendly user interface. Interface ini tidak membuat kerja sistem itu menjadi lambat, tetapi dapat memungkinkan user yang tidak memiliki pengalaman  untuk mengetahui permasalahan, pemecahan dan dapat menarik kesimpulan dari sistem itu.

SISTEM BERBASIS PENGETAHUAN - CODINGAN PROGRAM PROLOG

Berikut adalah salah satu program tentang Obat.

%predicate : relieve
%relieve(DRUG, SYMPTOM).
%SYMPTON is a manifestation of an underlying disease process,
%but is distinct from the disease process itself.
%
%

relieve(aspirin, headche).
relieve(aspirin, medoreate_pain).
relieve(aspirin_codeine_combination, severe_pain).
relieve(aspirin, moderate_arthritis).
relieve(cough_cire_xm, cough).
relieve(pain_gone, severe_pain).
relieve(ko_diarrhea, diarrhea).
relieve(de_congest, coigh).
relieve(de_congest, nasal_congestion).
relieve(penicillin, pnemonia).
relieve(bis_cure, nausea).
relieve(bis_cure, diarhea).
relieve(noasprinol, headche).
relieve(noaspirinol, moderate_pain).
relieve(triple_tuas, nasal_congestion).

%predicate : aggravates
%aggravates (Drug, Condition).
%Condition is a single disease process, or collectio of disease.
%process,
%sometimes called a syndrome.
%

aggravates(aspirin, ashtma).
aggravates(asprin, paptic_ulcer).
aggravates(de_congest, high_blood_pressure).
aggravates(de_congest, heart_disease).
aggravates(de_congest,galucomma).
aggravates(bis_cure, diabetes).
aggravates(bis_cure, gout).
aggravates(bis_cure, fever).

%% add fact
%

form_of_pain(moderate_pain).
form_of_pain(severe_pain).

%% rule
%

relieve_cold(Drug) :- relieve(Drug, cough), relieve(Drug, nasal_congestion).
relieve_cold(relieve_nose) :- relieve(relieve_nose, cough).
ashma_involved(Drug, Condition) :- aggravates(aspirin, ashtma), relieve(Drug, Condition).
pain_killer(Drug) :- relieve(Drug, moderate_pain).
pain_killer(Drug) :- relieve(Drug, severe_pain).
pain_killer(Drug) :- form_of_pain(Condition), relieve(Drug, Condition).

complains_of(john, headache).
suffer_from(john, peptic_ulcer).

should_take(Person, Drug) :-complains_of(Person, Symptom),

suppresses(Drug, Symptom),

not(unsuitable_for(Person, Drug)).

suppresses(Drug, Symptom) :- relieve(Drug, Symptom).

unsuitable_for(Person, Drug) :- aggravates(Drug, Condition),

suffers_from(Person, Condition).

1.      

EXPERT SYSTEM / SISTEM PAKAR

 Latar Belakang Masalah

 Keunggulan manusia dibanding dengan makhluk lainnya terletak pada kecerdasannya. Dengan kecerdasan manusia menguasai ilmu pengetahuan dan teknologi. Manusia kemudian diciptakan berbagai macam karya termasuk salah satunya adalah komputer. Dalam era komputer, peran komputer sangat besar untuk meringankan pekerjaan manusia karena dapat mengolah data dalam jumlah yang besar dengan tingkat ketelitian yang tinggi. Penerapan komputer juga dilakukan pada berbagai bidang ilmu termasuk diantaranya dalam bidang ketenaga-kerjaan. Sebagai salah satu negara yang yang sedang berkembang, sudah tentu indonesia membutuhkan tenaga kerja yang potensial dan memiliki kriteria yang sesuai dengan pekerjaannya untuk mendukung perkembangan dan kemajuan negara indonesia.

           Perusahaan membutuhkan seorang pakar yang dapat menangani masalah dibagian-bagian perusahaan. Akan tetapi perusahaan belum tentu dapat memakai seorang pakar karena dipandang dari segi keuangan perusahaan maupun waktu pakar tersebut. Dengan adanya masalah diatas, maka peranan komputer akan sangat diperlukan dalam membantu perusahaan khususnya bagian personalia untuk mengatasi masalah tersebut. Oleh karena itu, maka dibuatlah suatu sistem pakar untuk memudahkan perusahaan dalam merekrut karyawan secara baik berdasarkan kriteria-kriteria yang sesuai dengan kebutuhan perusahaan. Solusi dari permasalahan ini adalah penggunaan sistem pakar yang berbasis komputer.

Sistem pakar adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer yang dirancang untuk memodelkan kemampuan menyelesaikan masalah seperti layaknya seorang pakar. Dengan sistem pakar ini, orang awam pun dapat menyelesaikan masalahnya atau hanya sekedar mencari suatu informasi berkualitas yang sebenarnya hanya dapat diperoleh dengan bantuan para ahli di bidangnya. Sistem pakar ini juga akan dapat membantu aktivitas para pakar sebagai asisten yang berpengalaman dan mempunyai asisten yang berpengalaman dan mempunyai pengetahuan yang dibutuhkan. Dalam penyusunannya, sistem pakar mengkombinasikan kaidah-kaidah penarikan kesimpulan (inference rules) dengan basis pengetahuan tertentu yang diberikan oleh satu atau lebih pakar dalam bidang tertentu. Kombinasi dari kedua hal tersebut disimpan dalam komputer, yang selanjutnya digunakan dalam proses pengambilan keputusan untuk penyelesaian masalah tertentu.

Definisi Expert System

·         ES adalah system yang berusaha mengadopsi pengetahuan manusia ke computer, agar komputer dapat menyelesaikan masalah seperti yang biasa dilakukan para ahli.

·         suatu sistem yang menggunakan pengetahuan manusia dalam komputer untuk memecahkan masalah yang biasanya dikerjakan oleh seorang pakar, misalnya : Dokter, Lawyer, Analist Keuangan, Tax Advisor.

Tujuan pengembangan Sistem Pakar adalah :

Menurut Syamsudinn aries ( pengantar system pakar.2004) tujuan pengembangan system pakar antara lain :

a)    Mempermudah kerja tenaga ahli

b)    Mengganti tenaga ahli

c)    Menggabungkan kemampuan tenaga ahli

d)    Training tenaga ahli

e)    Mengurangi resiko pada pekerjaan yang berbahaya

f)     Menyediakan ahli pada bidang pekerjaan “kering”

KESIMPULAN

Menurut saya, Expert System atau Sistem Pakar adalah sistem yang memberi kemudahan bagi manusia dalam penggunaan alat-alat sesuai kebutuhan dan yang menjadi medianya adalah komputer.

Indonesia merupakan salah satu negara dari penggunaan system pakar. Wajar , ketika tiap negara memiliki ES dikarenakan seiring perkembangan era teknologi yang begitu pesat dan masyarakat juga ingin menggunakan alat tapi dengan cara sederhana. Dengan pemakaian ES , maka manusia dimudahkan dalam penggunaannya. Apalagi manusia kota dewasa kini, yang sangat sibuk dengan aktivitasnya sehingga tidak memungkinkan mereka untuk melakukan hal yang menggunakan alat dengan tingkat cara pemakaian yang ribet. Penggunaan ES juga banyak membantu perusahaan atau institusi, yaitu dengan mengurangi resiko pekerjaan yang berbahaya.

             Tapi, namanya juga buatan manusia ada saja kekurangan dari alat tersebut. Dengan penggunaan ES juga dapat menambah tingkat pengangguran karena banyak perusahaan/institusi bealih ke penggunaan ES, menjadikan manusia jadi ketergantungan, dan penggunaan ES juga membutuhkan biaya mahal.

             Maka dari itu, sebaiknya dalam penggunaannya jadikan ES sebaik-baiknya agar yang didapatkan seimbang.

REFERENSI

https://elhasbyblog.wordpress.com/kuliah-2/expert-system-sistem-pakar/

http://exsys123.blogspot.co.id/p/kesan-kesan.html

NOTE :

Informasi ini saya mengambil dari internet. Bagi pihak manapun yang merasa informasinya diambil oleh saya untuk bahan kuliah mohon dimaafkan, karena informasi yang kalian share sangat membantu.