Expert System

1. Expert System

2. DefinisiSistemPakar (Expert System) • Program komputer yang dirancang untuk memodelkan kemampuan menyelesaikan masalah seperti layaknya seorang pakar (human expert).

3. APA ITU PAKAR/AHLI (EXPERT) ? Seorangpakar/ahli (human expert) adalahseorangindividu yang memiliki kemampuan pemahaman yang superior terhadap suatu masalah tertentu.

4. Beberapa Definisi tentang Sistem Pakar • Menurut Durkin Sistempakaradalahsuatu program komputer yang dirancanguntukmemodelkankemampuanpenyelesaianmasalah yang dilakukanolehseorangpakar. • Menurutignizio Sistempakaradalahsuatu model danprosedur yang berkaitandalamsuatu domain tertentu yang manatingkatkeahliannyadapatdibandingkandengankeahlianseorangpakar. • MenurutGiarratanodan Riley Sistempakaradalahsuatusistemkomputer yang bisamenyamaiataumenirukemampuanseorangpakar.

5. TUJUAN Tools perangkatlunak yang dikembangkanmemberikankeleluasaanpadaperekayasapengetahuanyang dibangundarikeseluruhankomponenSistemPakardengantujuan agar tools yang dibuatdapatdigunakanuntukmemecahkanpersoalan yang spesifik.

6. Sejarah Sistem Pakar • Sistempakarpertama kali dikembangkanolehkomunitas AI padapertengahantahun 1960. Sistempakar yang munculpertama kali adalah General-purpose Problem Solver (GPS) yang dikembangkanoleh Newel and Simon. GPS (dan program-program yang serupa) inimengalamikegagalankarenacakupannyaterlaluluassehinggaterkadangjustrumeninggalkanpengetahuan-pengetahuanpenting yang seharusnyadisediakan.

7. Sistem Pakar yang terkenal

8. MYCIN • MYCIN was an early expert system developed over five or six years in the early 1970s at Stanford University. It was written in Lisp as the doctoral dissertation of Edward Shortliffe under the direction of Bruce Buchanan, Stanley N. Cohen and others. It arose in the laboratory that had created the earlier Dendral expert system, but emphasized the use of judgmental rules that had elements of uncertainty (known as certainty factors) associated with them. This expert system was designed to identify bacteria causing severe infections, such as bacteremia and meningitis, and to recommend antibiotics, with the dosage adjusted for patient's body weight — the name derived from the antibiotics themselves, as many antibiotics have the suffix "-mycin". The Mycin system was also used for the diagnosis of blood clotting diseases.

9. Human Expert VS Expert System

10. Mengapa Sistem Pakar? • Dapatmenyediakankepakaransetiapwaktudanlokasi • Mampubekerjasecaraotomatistugas-tugasrutin yang tidakdapatdipenuhisetiapsaat yang tidakdapatdilakukanolehseorangpakar • Lebihcepat, murah, efisien, danhandaldalammemecahkanmasalah.

11. Human Expert Problem Solving

12. Expert System Problem Solving

13. KNOWLEDGE BASE • Definisi : Bagiandarisistempakar yang berisi domain pengetahuan • Berisipengetahuan yang dibutuhkanuntukmemahami, merumuskandanmenyelesaikanmasalah. • WORKING MEMORY • Definisi : bagiandarisistempakar yang berisifakta-faktamasalahyang ditemukan dalam suatu sesi • Berisifakta-faktatentangsuatumasalah yang ditemukandalamproseskonsultasi

14. INFERENCE ENGINE • Definisi : Processor pada sistem pakar yang mencocokan fakta-fakta yang adapada working memoridengan domain pengetahuan yang terdapatpada knowledge base, untukmenarikkesimpulandarimasalah yang dihadapi. • Proses berpikir pada manusia dimodelkan dalam sistem pakar pada modul yang disebut Inference Engine.

15. Bagian-bagian Expert System • Sistem Pakar secara umum terdiri dari 3 bagian utama yaitu: • Knowledge Base = berisi informasi data, aturan (rule), relasi antara data dan aturan dalam pengambilan kesimpulan.  • ·Inference Engine = berfungsi menganalisa data yang ada dan menarik kesimpulan berdasarkan aturan yang ada.  • ·User Interface = berfungsi sebagai alat atau media komunikasi antara pemakai (user) dengan program.

16. A small ES for diagnosing automotive problems If the engine is getting gas, and the engine will turn over, then the problem is spark plugs If the engine does not turn over, and the lights do not come on then the problem is battery or cables If the engine does not turn over, and the lights do come on, then the problem is the starter motor If there is gas in the fuel tank, and there is gas in the carburetor then the engine is getting gas 1 3 2 4

17. The and/or graphsearched in the car diagnosis example

18. The production system at the start of a consultation (it will be DFS)

19. The production system after Rule 1 has fired

20. The system after Rule 4 has fired. Note the stack-based approach to goal reduction

21. Explanation: Answering “why” questions • ES - Gas in fuel tank?U- yesES- Gas in carburetor?U- yesES- Engine will turn over?U- why • ES- It has been established that 1. The engine is getting gas, therefore if 2. The engine will turn over, then the problem is spark plugs. • The user is asking “why is this information important?”

22. Explanation: Answering “how” questions • U- how the engine is getting gas • ES- This follows from rule 4: if gas in fuel tank, and there is gas in the carburetor then the engine is getting gas gas in fuel tank was given by the user gas in the carburetor was given by the user • The user is asking “How did the system come up with this conclusion?”

23. Forward chaining • Forward chaining merupakangrupdarimultipelinferensi yang melakukanpencariandarisuatumasalahkepadasolusinya. • Jikaklausapremissesuaidengansituasi (bernilai TRUE), makaprosesakanmeng-assert konklusi· • Forward Chaining adalahdata driven karenainferensidimulaidenganinformasiygtersediadanbarukonklusidiperoleh

24. BACKWARD CHAINING • Pendekatangoal-driven, dimulaidariekspektasiapa yang diinginkanterjadi (hipotesis), kemudianmengecekpadasebab-sebab yang mendukung (ataupunkontradiktif) dariekspektasitersebut. • Jikasuatuaplikasimenghasilkantree yang sempitdancukupdalam, makagunakanbackward chaining.

25. Forward chaining

26. Backward chaining

27. Conflict resolution • Rule 1: IF the ‘traffic light’ is green THEN the action is go • Rule 2: IF the ‘traffic light’ is red THEN the action is stop • Rule 3: IF the ‘traffic light’ is red THEN the action is go

28. Rule 2 and Rule 3, with the same IF part. Thus both of them can be set to fire when the condition part is satisfied. These rules represent a conflict set. The inference engine must determine which rule to fire from such a set. A method for choosing a rule to fire when more than one rule can be fired in a given cycle is called conflict resolution. • In forward chaining, BOTH rules would be fired. Rule 2 is fired first as the topmost one, and as a result, its THEN part is executed and linguistic object action obtains value stop. However, Rule 3 is also fired because the condition part of this rule matches the fact ‘traffic light’ is red, which is still in the database. As a consequence, object action takes new value go.

29. Conflict resolution strategies • Use first rule whose condition is satisfied • Ordering is important • Assign priorities to rules & use one with highest priority • How to decide on priority

30. Pemainutamadalamsuatuproyeksistempakaradalah: • Domain Expert • Knowledge engineer • End-user

31. Domain expert Definisi : orang yang memiliki ketrampilan (skill) dan pengetahuan (knowledge) untuk menyelesaikan masalah khusus dengan cara-cara yang superior dibanding orang kebanyakan.

32. Knowledge Engineer Definisi : orang yang melakukan proses disain, mengembangkan dan menguji suatu sistem pakar

33. End-User • Dapat membantu mendefinisikan spesifikasi interface • Dapat membantu proses akuisisi pengetahuan • Dapat membantu proses pengembangan sistem

34. Perbedaan pemrograman konvensional denganpengembangan Sistem Pakar

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

36. Inference Engine (Forward Chaining) • Terdapat 10 aturan yang tersimpandalam basis pengetahuan. • Faktaawal yang diberikanhanya A dan E (artinya A dan E bernilaibenar). Ingindibuktikanapakah K bernilaibenar (hipotesis : K) ?

37. Inference Engine (Forward Chaining) • Langkah-langkah inferensi sbb : • Dimulai dari R-1. A merupakan fakta sehingga bernilai benar, sedangkan B belum bisa diketahui kebenarannya, sehingga C-pun juga belum bisa diketahui kebenarannya. Oleh karena itu kita tidak mendapatkan informasi apapun pada R-1 ini. Sehingga kita menuju ke R-2. • Pada R-2, kita tidak mengetahui informasi apapun tentang C, sehingga kita juga tidak bisa memastikan kebenaran D. Oleh karena itu kita tidak mendapatkan informasi apapun pada R-1 ini. Sehingga kita menuju ke R-3. • Pada R-3, baik A maupun E adalah fakta sehingga jelas benar. Dengan demikian F sebagai konsekuen juga ikut benar. Sehingga sekarang kita mempunyai fakta baru yaitu F. Karena F bukan hipotesis yang hendak kita buktikan (=K), maka penelusuran kita lanjutkan ke R-4. • Pada R-4, A adalah fakta sehingga jelas benar. Dengan demikian G sebagai konsekuen juga benar. Sehingga sekarang kita mempunyai fakta baru yaitu G. Karena G bukan hipotesis yang hendak kita buktikan (=K), maka penelusuran kita lanjutkan ke R-5.

38. Inference Engine (Forward Chaining) • Langkah-langkahinferensisbb : • Pada R-5, baik F maupun G bernilaibenarberdasarkanaturan R-3 dan R-4. Dengandemikian D sebagaikonsekuenjugaikutbenar. Sehinggasekarangkitamempunyaifaktabaruyaitu D. Karena D bukanhipotesis yang hendakkitabuktikan (=K), makapenelusurankitalanjutkanke R-6. • Pada R-6, baik A maupun G adalahbenarberdasarkanfaktadan R-4. Dengandemikian H sebagaikonsekuenjugaikutbenar. Sehinggasekarangkitamempunyaifaktabaruyaitu H. Karena H bukanhipotesis yang hendakkitabuktikan (=K), makapenelusurankitalanjutkanke R-7. • Pada R-7, meskipun H benarberdasarkan R-6, namunkitatidaktahukebenaran C, sehingga I-pun jugabelumbisadiketahuikebenarannya. Olehkarenaitukitatidakmendapatkaninformasiapapunpada R-7 ini. Sehinggakitamenujuke R-8. • Pada R-8, meskipun A benarkarenafakta, namunkitatidaktahukebenaran I, sehingga J-pun jugabelumbisadiketahuikebenarannya. Olehkarenaitukitatidakmendapatkaninformasiapapunpada R-8 ini. Sehinggakitamenujuke R-9.

39. Inference Engine (Forward Chaining) • Langkah-langkah inferensi sbb : • Pada R-9 bernilai benar karena G benar berdasarkan R-4. Karena J bukan hipotesis yang hendak kita buktikan (=K), maka penelusuran kita lanjutkan ke R-10. • Pada R-10, K bernilai benar karena J benar berdasarkan R-9. Karena H merupakan hipotesis yang hendak kita buktikan (=K) maka terbukti bahwa K adalah benar. • Fakta baru

40. Inference Engine (Forward Chaining) R-9 R-10 R-4 G J K A R-5 D F R-3 R-6 H E

41. Inference Engine (Backward Chaining) • Backward Chaining Pencocokanfaktaataupernyataandimulaidaribagiansebelahkanan (Then dulu). Dengankata lain, penalarandimulaidarihipotesisdahuludanuntukmengujikebenaranhipotesistersebutharusdicarifakta-fakta yang adadalam basis pengetahuan. • Contoh : Faktaawal yang diberikanhanya A dan E (artinya A dan E bernilaibenar). Ingindibuktikanapakah K bernilaibenar (hipotesis : K) ?

42. Inference Engine (Backward Chaining) • Langkah-langkahinferensi : • Pertama-tama kitacariterlebihdahulumulaidari R-1 aturanmana yang memilikikonsekuen K. Ternyatasetelahditelurusi, aturandengankonsekuen K baruditemukanpada R-10. Untukmembuktikan K benar, makaperludibuktikanbahwa J benar. • Kita cariaturan yang memilikikonsekuen J. Kita mulaidari R-1 danternyata R-8 memilikikonsekuen J. Untukmembuktikanbahwa J benar, makaperludibuktikanbahwa I dan A benar. Untukmembuktikankebenaran I, kitaperlucariaturandengankonsekuen I ternyataadadi R-7. • Untukmembuktikan I benardi R-7, kitaperlubuktikanbahwa C dan H benar. Untukitukitapunperlumencariaturandengankonsekuen C danadadi R-1.

43. Inference Engine (Backward Chaining) • Langkah-langkahinferensi : • Untukmembuktikan C benardi R-1, kitaperlubuktikanbahwa A dan B benar. A jelasbenarkarena A merupakanfakta. Sedangkan B tidakbisadibuktikankebenarannyakarenaselainbukanfakta, didalam basis pengetahuanjugatidakadaaturandengankonsekuen B. Dengandemikianmakadaripenalaraninikitatidakbisabuktikankebenarandarihipotesis K. Namundemikiankitamasihpunyaalternatif lain untukmelakukanpenalaran. • Kita lakukan backtracking lagidenganmencariaturandengankonsekuen I, ternyatajugatidakada. • Kita lakukan backtracking lagidenganmencariaturandengankonsekuen J, ternyatakitatemukanpada R-9. Sehinggakitaperlubuktikankebenaran G.

44. Inference Engine (Backward Chaining) • Kita mendapatkan R-4 dengankonsekuen G. Kita perlubuktikankebenaran A. Karena A adalahfakta, makaterbuktibahwa G benar. Dengandemikianberdasarkanpenalaraninibisadibuktikanbahwa K bernilaibenar.

45. Inference Engine (Backward Chaining) Fakta R-10 I C A K J R-1 R-8 R-7 A B H Tidakdiketahui Fakta R-4 R-9 R-10 G A K J

46. Contoh • Diketahuisistempakardenganaturan-aturansbb : • R1 : IF sukubungaturun THEN hargaobligasinaik • R2 : IF sukubunganaik THEN hargaobligasiturun • R3 : IF sukubungatidakberubah THEN hargaobligasitidakberubah • R4 : IF dolarnaik THEN sukubungaturun • R5 : IF dolarturun THEN sukubunganaik • R6 : IF hargaobligasiturun THEN beliobligasi • Apabiladiketahuibahwadolarturun, makauntukmemutuskanapakahakanmembeliobligasiatautidakdapatditunjukkansbb:

47. Forward Chaining • Dari faktadolarturun, berdasarkanaturan 5 diperolehkonklusisukubunganaik. Dari aturan 2, sukubunganaikmenyebabkanhargaobligasiturun. Denganaturan 6, jikahargaobligasiturunmakakesimpulan yang diambiladalahmembeliobligasi. Dollar turun Sukubunganaik Hargaobligasiturun Beliobligasi

48. Backward Chaining • Berangkatdarisolusiyaitumembeliobligasidenganmenggunakanaturan 6 diperolehantesedenhargaobligasiturun. Dari aturan 2 akandibuktikanhargaobligasturunbernilaibenarjikasukubunganaikbernilaibenar. Dari aturan 5 sukubunganaikmemangbernilaibenarkarenadiketahuifakta dollar turun. Dollar turun Sukubunganaik Hargaobligasiturun Beliobligasi

49. Contoh Aplikasi(Diagnosis infeksi sistem gastro-usus)

50. Keterangan Gambar