SISTEM PAKAR

SISTEM PAKAR (EXPERT SYSTEM)

Sistem pakar adalah “Sistem berbasis komputer yang menggunakan pengetahuan, fakta dan teknik penalaran dalam memecahkan masalah yang biasanya hanya dapat dipecahkan oleh seorang pakar dalam bidang tertentu” (Kusrini, 2006 : 11).

Menurut Muhammad Arhami di dalam buku Konsep Dasar Sistem Pakar (2005 : 3), “Sistem pakar adalah salah satu cabang dari AI yang membuat penggunaan secara luas knowledge yang khusus untuk penyelesaian masalah tingkat manusia yang pakar”.

Dari kedua sumber diatas dapat disimpulkan sistem pakar adalah sistem berbasis komputer yang menggun akan pengetahuan, fakta dan teknik oleh manusia untuk memecahkan masalah yang biasanya diselesaikan oleh seorang pakar pada bidang tertentu.

- Ciri-ciri Sistem Pakar

Sistem pakar merupakan program yang dapat menggantikan keberadaan seorang pakar, berikut ini adalah ciri-ciri sistem pakar (Kusrini, 2006):

1. Terbatas pada bidang yang spesifik.

2. Dapat memberikan penalaran untuk data-data yang tidak lengkap atau tidak pasti.

3. Dapat mengemukakan rangkaian alas an yang diberikannya dengan cara yang dapat dipahami.

4. Berdasarkan pada rule atau kaidah tertentu.

5. Dirancang untuk dapat dikembangkan secara bertahap.

6. Output bersifat nasihat, petunjuk, serta anjuran.

7. Knowledge base dan Inference engineer terpisah.
- Keuntungan Pemakaian Sistem Pakar

Sistem pakar dikembangkan untuk menggantikan seorang pakar dalam memecahkan suatu masalah layaknya seorang pakar. Adapun keuntungan pemakaian sistem pakar, yaitu (Kusrini, 2006):

1. Membuat seseorang yang awam dapat bekerja seperti layaknya seorang pakar.

2. Dapat bekerja dengan informasi yang tidak lengkap atau tidak pasti.

3. Meningkatkan output dan produktivitas. Sistem pakar bekerja lebih cepat dari manusia. Keuntungan ini berarti mengurangi jumlah pekerja yang dibutuhkan dan akhirnya mereduksi biaya.

4. Meningkatkan kualitas.

5. Sistem pakar menyediakan nasihat yang konsisten dan dapat mengurangi tingkat kesalahan.

6. Membuat peralatan yang kompleks lebih mudah dioperasikan karena sistem pakar dapat melatih pekerja yang tidak pengalaman.

7. Handal (reliability).

8. Memungkinkan pemindahan pengetahuan ke lokasi yang jauh serta memperluas jangkauan seorang pakar, dapat diperoleh dan dipakai di mana saja. Merupakan arsip yang terpercaya dari sebuah keahlian sehinggar user seolah-olah berkonsultasi langsung dengan sang pakar.

Perbandingan sistem konvensional dengan sistem pakar dapat dilihat pada table 2.1.

Tabel 2.1 Perbandingan Sistem Konvensional Dengan Sistem Pakar

(Kusrini : 2006)

Sistem Konvensional	Sistem Pakar
Informasi dan pemrosesan umumnya digabung dalam satu program sekuensial	Basis pengetahuan dari mekanisme pemrosesan (inferensi)
Program tidak pernah salah (kecuali pemrogramnya yang salah)	Program bisa saja melakukan kesalahan
Tidak menjelaskan mengapa input dibutuhkan atau bagaimana hasil yang diperoleh	Penjelasan (explanation) merupakan bagian dari sistem pakar
Membutuhkan semua input data	Tidak harus membutuhkan semua input data atau fakta
Perubahan pada program merepotkan	Perubahan pada kaidah dapat dilakukan dengan mudah
Sistem bekerja jika sudah lengkap	Sistem dapat bekerja hanya dengan kaidah yang sedikit
Eksekusi secara algoritmik (step-by-step)	Eksekusi dilakukan secara heuristic dan logis
Manipulasi efektif pada database yang besar	Manipulasi efektif pada basis pengetahuan yang besar
Efisiensi adalah tujuan utama	Efektivitas adalah tujuan utama
Data kuantitatif	Data kualitatif
Representasi dalam numeric	Representasi pengetahuan dalam simbolik
Menangkap, menambah dan mendistribusikan data numeric atau informasi	Menangkap, menambah dan mendistribusikan pertimbangan (judgment) dan pengetahuan

Untuk memahami perancangan sistem pakar, perlu dipahami mengenai siapa saja yang berinteraksi dengan sistem. Yaitu (Kusrini, 2006) :

1. Pakar (domain expert) : Seseorang ahli yang dapat menyelesaikan masalah yang sedang diusahakan untuk dipecahkan sistem.

2. Pembangun pengetahuan (knowledge engineer) : Seseorang yang menerjemahkan pengetahuan seorang pakar dalam bentuk deklaratif sehingga dapat digunakan oleh sistem pakar.

3. Pengguna (user) : Seseorang yang berkonsultasi dengan sistem untuk mendapatkan saran yang disediakan pakar.

4. Pembangun sistem (system engineer) : Seseorang yang membuat antarmuka pengguna, merancang bentuk basis pengetahuan secara deklaratif dan mengimplementasikan mesin inferensi.

2.2.3 - Mesin Inferensi (Inference Machine)

Menurut Sri Hartati dan Sari Iswanti dalam bukunya tentang Sistem Pakar Dan Pengembangannya (2008 : 5), “Mesin Inferensi merupakan otak dari sistem pakar, berupa perangkat lunak yang melakukan tugas inferensi penalaran sistem pakar, bisa dikatakan sebagai mesin pemikir (thingking machine)”. Pada prinsipnya mesin inferensi inilah yang akan mencari solusi dari suatu permasalahan.

- Runut Maju (Forward Chaining)

Forward chaining disebut juga penalaran dari bawah ke atas karena penalaran dari evidence (fakta) pada level bawah menuju konklusi pada level atas didasarkan fakta. Penalaran dari bawah ke atas dalam suatu sistem pakar dapat disamakan untuk pemrograman konvensional dari bawah ke atas.

Penalaran dimulai dari premis-premis atau informasi masukkan (if) dahulu kemudian menuju konklusi (then) atau dapat dimodelkan pada gambar 2.1 sebagai berikut:

IF (informasi masukan), THEN (konklusi)

Gambar 2.1 Contoh Forward Chaining (Kusrini : 2006)

Pada Metode forward chaining diartikan sebagai pendekatan yang dimotori data. Runut maju merupakan proses perunutan yang dimulai dengan menampilkan kumpulan data atau fakta yang meyakinkan menuju konklusi akhir. Dalam pendekatan ini runut maju dimulai dari informasi masukan, dan selanjutnya mencoba menggambarkan kesimpulan. Sehingga metode ini juga sering disebut “data driven” yang dimulai dari premis-premis atau informasi masukan (if) dahulu kemudian menuju konklusi atau kesimpulan (then). Karena metode forward chaining berangkat dari kiri ke kanan, yaitu dari premis menuju kesimpulan akhir, maka seringkali pula disebut data driven (yaitu, pencarian dikendalikan oleh data yang diberikan).

Menurut T.sutojo, Edy Mulyanto dan Dr.Vincent Suhartono dalam buku yang berjudul Kecerdasan Buatan, “forward chaining adalah teknik pencarian yang dimulai dengan fakta yang diketahui kemudian mencocokkan fakta-fakta tersebut dengan bagian IF dari rules IF-THEN”. Bila ada fakta yang cocok dengan bagian IF, maka rule tersebut dieksekusi. Bila sebuah rule dieksekusi, maka sebuah fakta baru (bagian THEN) ditambahkan ke dalam database. Setiap rule hanya boleh dieksekusi sekali saja. Proses pencocokan berhenti bila tidak ada lagi rule yang dieksekusi.

Didalam penelitian ini metode pelacakan kedepan (forward chaining) yaitu dimulai dari sekumpulan fakta-fakta tentang suatu gejala yang dirasakan sebagai masukan untuk sistem dan kemudian dilakukan pelacakan sampai tercapainya tujuan akhir berupa solusi.

- DECISION TREE

Algoritma decision tree didasarkan pada pendekatan divide-and-conquer untuk klasifikasi suatu masalah. Algoritma tersebut bekerja dari atas ke bawah, mencari pada setiap tahap atribut untuk membaginya ke dalam bagian terbaik class tersebut, dan memproses secara rekursif submasalah yang dihasilkan dari pembagian tersebut. Strategi ini menghasilkan sebuah decision tree yang dapat diubah menjadi satu set classification rules (Witten et all, 2011). Decision tree merupakan salah satu metode klasifikasi yang menggunakan representasi struktur pohon (tree) di mana setiap node merepresentasikan atribut, cabangnya merepresentasikan nilai dari atribut, dan daun merepresentasikan kelas. Node yang paling atas dari decision tree disebut sebagai root (Gorunescu, 2011). Pada decision tree terdapat 3 jenis node, yaitu:

a. Root Node, merupakan node paling atas, pada node ini tidak ada input dan bisa tidak mempunyai output atau mempunyai output lebih dari satu.

b. Internal Node , merupakan node percabangan, pada node ini hanya terdapat satu input dan mempunyai output minimal dua.

c. Leaf node atau terminal node , merupakan node akhir, pada node ini hanya terdapat satu input dan tidak mempunyai output.

Decision tree tergantung pada aturan if-then, tetapi tidak membutuhkan parameter dan metrik. Struktur sederhana dan dapat ditafsirkan memungkinkan decision tree untuk memecahkan masalah atribut multi-type. “Decision tree juga dapat mengelola nilai-nilai yang hilang atau data noise” (Dua & Xian, 2011). Banyak algoritma yang dapat dipakai dalam pembentukan Decision Tree, antara lain ID3, CART, dan C4.5. Algoritma C4.5 dan pohon keputusan merupakan dua model yang tak terpisahkan, karena untuk membangun sebuah pohon keputusan, dibutuhan algoritma C4.5 (Han & Kamber, 2006).