Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

Expert System. Definisi Sistem Pakar (Expert System) Program komputer yang dirancang untuk memodelkan kemampuan menyelesaikan masalah seperti layaknya.

Presentasi serupa


Presentasi berjudul: "Expert System. Definisi Sistem Pakar (Expert System) Program komputer yang dirancang untuk memodelkan kemampuan menyelesaikan masalah seperti layaknya."— Transcript presentasi:

1 Expert System

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

3 APA ITU PAKAR/AHLI (EXPERT) ? Seorang pakar/ahli (human expert) adalah seorang individu yang memiliki kemampuan pemahaman yang superior terhadap suatu masalah tertentu.

4 Beberapa Definisi tentang Sistem Pakar Menurut Durkin Sistem pakar adalah suatu program komputer yang dirancang untuk memodelkan kemampuan penyelesaian masalah yang dilakukan oleh seorang pakar. Menurut ignizio Sistem pakar adalah suatu model dan prosedur yang berkaitan dalam suatu domain tertentu yang mana tingkat keahliannya dapat dibandingkan dengan keahlian seorang pakar. Menurut Giarratano dan Riley Sistem pakar adalah suatu sistem komputer yang bisa menyamai atau meniru kemampuan seorang pakar.

5 TUJUAN Tools perangkat lunak yang dikembangkan memberikan keleluasaan pada perekayasa pengetahuan yang dibangun dari keseluruhan komponen Sistem Pakar dengan tujuan agar tools yang dibuat dapat digunakan untuk memecahkan persoalan yang spesifik.

6 Sejarah Sistem Pakar Sistem pakar pertama kali dikembangkan oleh komunitas AI pada pertengahan tahun Sistem pakar yang muncul pertama kali adalah General-purpose Problem Solver (GPS) yang dikembangkan oleh Newel and Simon. GPS (dan program-program yang serupa) ini mengalami kegagalan karena cakupannya terlalu luas sehingga terkadang justru meninggalkan pengetahuan-pengetahuan penting yang seharusnya disediakan.

7 Sistem Pakar yang terkenal Sistem PakarKegunaan MycinDiagnosa penyakit DendralMengidentifikasi struktur molekular campuran yang tak dikenal Xcon & XselMembantu konfigurasi sistem komputer besar SophieAnalisis sirkit elektronik ProspectorDigunakan di dalam geologi untuk membantu, mencari dan menemukan deposit FolioMembantu memberikan keputusan bagi seorang manajer dalam hal stok broker dan investasi DeltaPemeliharaan lokomotif listrik disel.

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 FaktorHuman ExpertExpert System Time AvailabilityHari KerjaSetiap Saat GeografisLokal/TertentuDimana Saja KeamananTidak TergantikanDapat Diganti Dapat HabisYaTidak PerformaVariabelKonsisten KecepatanVariabelKonsisten & Cepat BiayaTinggiTerjangkau

10 Mengapa Sistem Pakar? Dapat menyediakan kepakaran setiap waktu dan lokasi Mampu bekerja secara otomatis tugas-tugas rutin yang tidak dapat dipenuhi setiap saat yang tidak dapat dilakukan oleh seorang pakar Lebih cepat, murah, efisien, dan handal dalam memecahkan masalah.

11 Human Expert Problem Solving

12 Expert System Problem Solving

13 KNOWLEDGE BASE – Definisi : Bagian dari sistem pakar yang berisi domain pengetahuan – Berisi pengetahuan yang dibutuhkan untuk memahami, merumuskan dan menyelesaikan masalah. WORKING MEMORY – Definisi : bagian dari sistem pakar yang berisi fakta-fakta masalah yang ditemukan dalam suatu sesi – Berisi fakta-fakta tentang suatu masalah yang ditemukan dalam proses konsultasi

14 INFERENCE ENGINE – Definisi : Processor pada sistem pakar yang mencocokan fakta-fakta yang ada pada working memori dengan domain pengetahuan yang terdapat pada knowledge base, untuk menarik kesimpulan dari masalah yang dihadapi. – Proses berpikir pada manusia dimodelkan dalam sistem pakar pada modul yang disebut Inference Engine.

15 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. Bagian-bagian Expert System

16 Knowledge Base Description of problem domain Rules: A knowledge representation technique –such as ‘IF:THEN’ logic –networks of rules Lowest levels provide evidence Top levels produce 1 or more conclusions A conclusion is called a Goal variable.

17 Evidence Conclusion Evidence Conclusion A Rule Set That Produces One Final Conclusion

18 Cheetah TigerGiraffe ZebraOstrichPenguin Albatross And Tawny color Dark spots legs LongBlack strips Long neck Can’t fly Black& White Swims Flies Well UngulateBird Mammal Carnivore Or And Feathers And Or Hair milk Hoofs Flies Lays eggs Chews Gives And teeth PointedForward Eyes LEGEND: Rules Conditions Action (conclusions) Claws Eats milk cud R1R2R5R6 R9R10R11R12R14R13R15 R7R8R3R4 A Rule Set That Can Produce More Than One Final Conclusion

19 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

20 The and/or graph searched in the car diagnosis example

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

22 The production system after Rule 1 has fired

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

24 Explanation: Answering “why” questions ES - Gas in fuel tank? U-yes ES-Gas in carburetor? U-yes ES-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?”

25 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?”

26 Forward chaining Forward chaining merupakan grup dari multipel inferensi yang melakukan pencarian dari suatu masalah kepada solusinya. Jika klausa premis sesuai dengan situasi (bernilai TRUE), maka proses akan meng-assert konklusi· Forward Chaining adalah data driven karena inferensi dimulai dengan informasi yg tersedia dan baru konklusi diperoleh

27 Pendekatan goal-driven, dimulai dari ekspektasi apa yang diinginkan terjadi (hipotesis), kemudian mengecek pada sebab- sebab yang mendukung (ataupun kontradiktif) dari ekspektasi tersebut. Jika suatu aplikasi menghasilkan tree yang sempit dan cukup dalam, maka gunakan backward chaining. BACKWARD CHAINING

28 Forward chaining

29 Rule 1 Rule 3 Rule 3 Rule 2 Rule 2 Rule 4 Rule 4 Rule 5 Rule 5 Rule 6 Rule 6 Rule 7 Rule 7 Rule 8 Rule 8 Rule 9 Rule 9 Rule 10 Rule 10 Rule 11 Rule 11 Rule 12 IF A THEN B IF C THEN D IF M THEN E IF K THEN F IF G THEN H IF I THEN J IF B OR D THEN K IF E THEN L IF K AND L THEN N IF M THEN O IF N OR O THEN P F IF (F AND H) OR J THEN M IF (F AND H) OR J THEN M The Forward ReasoningProcess T T T T T T T T T F T Legend: First pass Second pass Third pass

30 Backward chaining

31 Conflict resolution Rule 1: IFthe ‘ traffic light ’ is green THENthe action is go Rule 2: IFthe ‘ traffic light ’ is red THENthe action is stop Rule 3: IFthe ‘ traffic light ’ is red THENthe action is go

32 n 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 top most 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.

33 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

34 Pemain utama dalam suatu proyek sistem pakar adalah: Domain Expert Knowledge engineer End-user

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

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

37 End-User Dapat membantu mendefinisikan spesifikasi interface Dapat membantu proses akuisisi pengetahuan Dapat membantu proses pengembangan sistem

38 Perbedaan pemrograman konvensional dengan pengembangan Sistem Pakar

39 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. NoAturan R-1IF A & B Then C R-2IF C Then D R-3IF A & E Then F R-4IF A Then G R-5IF F & G Then D R-6IF G & E Then H R-7IF C & H Then I R-8IF I & A Then J R-9IF G Then J R-10IF J Then K

40 Inference Engine (Forward Chaining) Terdapat 10 aturan yang tersimpan dalam basis pengetahuan. Fakta awal yang diberikan hanya A dan E (artinya A dan E bernilai benar). Ingin dibuktikan apakah K bernilai benar (hipotesis : K) ?

41 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.

42 Inference Engine (Forward Chaining) Langkah-langkah inferensi sbb : – Pada R-5, baik F maupun G bernilai benar berdasarkan aturan R-3 dan R-4. Dengan demikian D sebagai konsekuen juga ikut benar. Sehingga sekarang kita mempunyai fakta baru yaitu D. Karena D bukan hipotesis yang hendak kita buktikan (=K), maka penelusuran kita lanjutkan ke R- 6. – Pada R-6, baik A maupun G adalah benar berdasarkan fakta dan R-4. Dengan demikian H sebagai konsekuen juga ikut benar. Sehingga sekarang kita mempunyai fakta baru yaitu H. Karena H bukan hipotesis yang hendak kita buktikan (=K), maka penelusuran kita lanjutkan ke R-7. – Pada R-7, meskipun H benar berdasarkan R-6, namun kita tidak tahu kebenaran C, sehingga I-pun juga belum bisa diketahui kebenarannya. Oleh karena itu kita tidak mendapatkan informasi apapun pada R-7 ini. Sehingga kita menuju ke R-8. – Pada R-8, meskipun A benar karena fakta, namun kita tidak tahu kebenaran I, sehingga J-pun juga belum bisa diketahui kebenarannya. Oleh karena itu kita tidak mendapatkan informasi apapun pada R-8 ini. Sehingga kita menuju ke R-9.

43 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 AturanFakta Baru R-3F R-4G R-5D R-6H R-9J R-10K

44 Inference Engine (Forward Chaining) A E F G D H JK R-3 R-4 R-5 R-6 R-9R-10

45 Inference Engine (Backward Chaining) Backward Chaining Pencocokan fakta atau pernyataan di mulai dari bagian sebelah kanan (Then dulu). Dengan kata lain, penalaran dimulai dari hipotesis dahulu dan untuk menguji kebenaran hipotesis tersebut harus dicari fakta-fakta yang ada dalam basis pengetahuan. Contoh : Fakta awal yang diberikan hanya A dan E (artinya A dan E bernilai benar). Ingin dibuktikan apakah K bernilai benar (hipotesis : K) ?

46 Inference Engine (Backward Chaining) Langkah-langkah inferensi : – Pertama-tama kita cari terlebih dahulu mulai dari R-1 aturan mana yang memiliki konsekuen K. Ternyata setelah ditelurusi, aturan dengan konsekuen K baru ditemukan pada R-10. Untuk membuktikan K benar, maka perlu dibuktikan bahwa J benar. – Kita cari aturan yang memiliki konsekuen J. Kita mulai dari R-1 dan ternyata R-8 memiliki konsekuen J. Untuk membuktikan bahwa J benar, maka perlu dibuktikan bahwa I dan A benar. Untuk membuktikan kebenaran I, kita perlu cari aturan dengan konsekuen I ternyata ada di R-7. – Untuk membuktikan I benar di R-7, kita perlu buktikan bahwa C dan H benar. Untuk itu kitapun perlu mencari aturan dengan konsekuen C dan ada di R-1.

47 Inference Engine (Backward Chaining) Langkah-langkah inferensi : – Untuk membuktikan C benar di R-1, kita perlu buktikan bahwa A dan B benar. A jelas benar karena A merupakan fakta. Sedangkan B tidak bisa dibuktikan kebenarannya karena selain bukan fakta, didalam basis pengetahuan juga tidak ada aturan dengan konsekuen B. Dengan demikian maka dari penalaran ini kita tidak bisa buktikan kebenaran dari hipotesis K. Namun demikian kita masih punya alternatif lain untuk melakukan penalaran. – Kita lakukan backtracking lagi dengan mencari aturan dengan konsekuen I, ternyata juga tidak ada. – Kita lakukan backtracking lagi dengan mencari aturan dengan konsekuen J, ternyata kita temukan pada R-9. Sehingga kita perlu buktikan kebenaran G.

48 Inference Engine (Backward Chaining) Kita mendapatkan R-4 dengan konsekuen G. Kita perlu buktikan kebenaran A. Karena A adalah fakta, maka terbukti bahwa G benar. Dengan demikian berdasarkan penalaran ini bisa dibuktikan bahwa K bernilai benar.

49 Inference Engine (Backward Chaining) K B A A H J I R-10 R-1 R-7 Fakta C R-8 Tidak diketahui KJ G R-10 R-4 Fakta A R-9

50 Contoh Diketahui sistem pakar dengan aturan-aturan sbb : – R1 : IF suku bunga turun THEN harga obligasi naik – R2 : IF suku bunga naik THEN harga obligasi turun – R3 : IF suku bunga tidak berubah THEN harga obligasi tidak berubah – R4 : IF dolar naik THEN suku bunga turun – R5 : IF dolar turun THEN suku bunga naik – R6 : IF harga obligasi turun THEN beli obligasi Apabila diketahui bahwa dolar turun, maka untuk memutuskan apakah akan membeli obligasi atau tidak dapat ditunjukkan sbb:

51 Forward Chaining Dari fakta dolar turun, berdasarkan aturan 5 diperoleh konklusi suku bunga naik. Dari aturan 2, suku bunga naik menyebabkan harga obligasi turun. Dengan aturan 6, jika harga obligasi turun maka kesimpulan yang diambil adalah membeli obligasi. Dollar turun Suku bunga naik Harga obligasi turun Beli obligasi

52 Backward Chaining Berangkat dari solusi yaitu membeli obligasi dengan menggunakan aturan 6 diperoleh anteseden harga obligasi turun. Dari aturan 2 akan dibuktikan harga obligas turun bernilai benar jika suku bunga naik bernilai benar. Dari aturan 5 suku bunga naik memang bernilai benar karena diketahui fakta dollar turun. Dollar turun Suku bunga naik Harga obligasi turun Beli obligasi

53 Contoh Aplikasi (Diagnosis infeksi sistem gastro-usus)

54 Keterangan Gambar

55 Studi Kasus Bird

56 Studi Kasus Animal /* hypotheses to be tested */ hypothesize(cheetah) :- cheetah, !. hypothesize(tiger) :- tiger, !. hypothesize(giraffe) :- giraffe, !. hypothesize(zebra) :- zebra, !. hypothesize(ostrich) :- ostrich, !. hypothesize(penguin) :- penguin, !. hypothesize(albatross) :- albatross, !. hypothesize(unknown). /* no diagnosis */

57 Studi Kasus Animal /* animal identification rules */ cheetah :- mammal, carnivore, verify(has_tawny_color), verify(has_dark_spots). tiger :- mammal, carnivore, verify(has_tawny_color), verify(has_black_stripes). giraffe :- ungulate, verify(has_long_neck), verify(has_long_legs). zebra :- ungulate, verify(has_black_stripes). ostrich :- bird, verify(does_not_fly), verify(has_long_neck). penguin :- bird, verify(does_not_fly), verify(swims), verify(is_black_and_white). albatross :- bird, verify(appears_in_story_Ancient_ Mariner), verify(flys_well).

58 Studi Kasus Animal /* classification rules */ mammal :- verify(has_hair), !. mammal :- verify(gives_milk). bird :- verify(has_feathers), !. bird :- verify(flys), verify(lays_eggs). carnivore :- verify(eats_meat), !. carnivore :- verify(has_pointed_teeth), verify(has_claws), verify(has_forward_eyes). ungulate :- mammal, verify(has_hooves), !. ungulate :- mammal, verify(chews_cud).

59 END


Download ppt "Expert System. Definisi Sistem Pakar (Expert System) Program komputer yang dirancang untuk memodelkan kemampuan menyelesaikan masalah seperti layaknya."

Presentasi serupa


Iklan oleh Google