SISTEM MENERAPKAN PENGETAHUAN

Slides:



Advertisements
Presentasi serupa
KECERDASAN BUATAN VISKA ARMALINA, S.T., M.Eng..
Advertisements

Penyelesaian Masalah Dengan AI
SISTEM PAKAR DR. KUSRINI, M.KOM.
AI CONCEPTS PRESENTASI PART ONE.
SISTEM PAKAR Ari Eko Wardoyo, ST.
PENGANTAR KECERDASAN BUATAN atau ARTIFICIAL INTELLIGENCE (AI)
Model Heuristik Dr. Sri Kusumadewi, S.Si., MT. Materi Kuliah [8]:
KECERDASAN BUATAN PENDAHULUAN.
Sistem Pengambil Keputusan
PENGERTIAN KECERDASAN BUATAN
SOLUSI MANAJEMEN PENGETAHUAN (MP)
TEKNOLOGI KECERDASAN ARTIFISIAL DALAM BISNIS
BAB I DASAR – DASAR TEKNIK PERANGKAT LUNAK
Pengenalan Kecerdasan Buatan (Artificial Intelligence / AI )
Pengantar Intelegensia Buatan (IB)
Pengertian Kecerdasan Buatan (Artificial Intelligence)
SISTEM PAKAR.
KECERDASAN BUATAN (ARTIFICIAL INTELLIGENCE)
Pengenalan Kecerdasan Buatan (Artificial Intelligence / AI )
Artificial Intelligence
SISTEM PAKAR & KECERDASAN BUATAN
PENGANTAR INTELEGENSIA BUATAN (IB) M. Ezar Al Rivan.
SISTEM PAKAR DAN SPK.
PENGANTAR KECERDASAN BUATAN (ARTIFICIAL INTELEGENT)
SISTEM PAKAR.
KECERDASAN BUATAN PERTEMUAN 10.
PENGANTAR KECERDASAN BUATAN
Teknologi terkini D. Sinaga, M.Kom.
KOMPUTASI KECERDASAN BUATAN
Kecerdasan Buatan Dalam Sistem Informasi Bab : Sistem Pakar – part one
Sistem pakar M Ridwan Dwi Septian.
PENGANTAR KECERDASAN BUATAN (ARTIFICIAL INTELLIGENCE) dan SISTEM PAKAR
PERTEMUAN 4 SISTEM PAKAR
Materi 1 Pengantar Kecerdasan Buatan
PENGANTAR PENGANTAR KECERDASAN BUATAN Artificial intelligence
Kecerdasan buatan.
BASIS PENGETAHUAN DAN METODE INFERENSI
Pengkodean Pengetahuan
Model Heuristik Dr. Sri Kusumadewi, S.Si., MT. Materi Kuliah [8]:
SISTEM PAKAR & KECERDASAN BUATAN
Fakultas Ilmu Komputer
Artificial Intelegence
KECERDASAN BUATAN PERTEMUAN 10.
Praktikum pengantar kecerdasan buatan (pkb)
KONSEP KECERDASAN BUATAN
Pengenalan AI (Artificial Intelligent)
Materi Kuliah [11]: (Sistem Pendukung Keputusan)
Kode MK : TIF01405; MK : Kecerdasan Buatan
PENGANTAR PENGANTAR KECERDASAN BUATAN Artificial intelligence
PENGEMBANGAN PERANGKAT LUNAK
ARTIFICIAL INTELEGENCE
PENGERTIAN KECERDASAN BUATAN
KOMPUTASI KECERDASAN BUATAN
Kecerdasan Buatan Pokok Bahasan Pendahuluan Definisi Kecerdasan Buatan
Sistem Pakar Berbasis Kasus
Pertemuan 11 PENGANTAR SISTEM PAKAR
SISTEM BERBASIS KASUS Dr. Sri Kusumadewi, S.Si., MT.
SISTEM PAKAR.
SISTEM PAKAR & KECERDASAN BUATAN
SISTEM BERBASIS KASUS Dr. Sri Kusumadewi, S.Si., MT.
PENGANTAR KECERDASAN BUATAN (ARTIFICIAL INTELLIGENCE)
GUNAWAN Materi Kuliah [8]: (Sistem Pendukung Keputusan)
Konsep Kecerdasan Buatan
(CBIS) Computer Base Information System
PENGANTAR KECERDASAN BUATAN (ARTIFICIAL INTELLIGENCE)
GUNAWAN Materi Kuliah [11]: (Sistem Pendukung Keputusan)
KONSEP KECERDASAN BUATAN
ARSITEKTUR SISTEM PAKAR
Pengenalan Kecerdasan Buatan (Artificial Intelligence / AI )
KNOWLEDGE-BASED SUBSYSTEM
Transcript presentasi:

SISTEM MENERAPKAN PENGETAHUAN SISTEM YANG MEMANFAATKAN PENGETAHUAN

REVIEW Pada sistem dan solusi manajemen pengetahuan (MP), dikatakan bahwa sistem menerapkan pengetahuan mendukung proses-proses direction dan routines, dimana individu memanfaatkan pengetahuan yang dimiliki oleh individu lain tanpa harus mempelajari (learning) pengetahuan tsb. Mekanisme yang mendukung proses direction yaitu : hubungan hierarki, help desk, dan support center. Mekanisme yang mendukung routines yaitu : kebijakan organisasi, kerja praktik, dan standarisasi (SOP/standard operating procedure). Teknologi yang mendukung direction dan routines yaitu : sistem pakar, sistem pendukung keputusan, advisor system,fault diagnosis (atau troubleshooting) system, dan help desk system. Contoh : Direction → teknisi mencari troubleshooting dari produk tertentu melalui sistem troubleshooting. Routines → customer service representatives mencari mekanisme pengiriman produk ketika akan mengirim barang yang dipesan.

TEKNOLOGI UNTUK MENERAPKAN PENGETAHUAN KECERDASAN BUATAN Kecerdasan buatan (artificial intelligence) merupakan salah satu bagian ilmu komputer yang membuat agar mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia. Definisi lain dari kecerdasan buatan yaitu : sistem yang bertindak seperti manusia, sistem yang berpikir seperti manusia, sistem yang berpikir rasional, sistem yang bertindak secara rasional (Russell dan Norvig, 2002). Sistem yang bertindak seperti manusia, yaitu mesin (komputer) yang melalui Turing test. Sistem yang berpikir seperti manusia, mengacu pada program komputer yang berperilaku seperti manusia, contoh : komputer yang digunakan untuk memecahkan masalah, seperti bermain catur atau melakukan diagnosa medis.

SEJARAH KECERDASAN BUATAN Pada tahun 1950-an para ilmuwan dan peneliti mulai memikirkan bagaimana caranya agar mesin dapat melakukan pekerjaannya seperti yang bisa dikerjakan oleh manusia. Alan Turing, seorang matematikawan dari Inggris pertama kali mengusulkan adanya tes untuk melihat bisa tidaknya sebuah mesin dikatakan cerdas. Hasil tes tsb kemudian dikenal dengan Turing Test, dimana si mesin tsb menyamar seolah-olah sbg seseorang di dalam suatu permainan yang mampu memberikan respon thd serangkaian pertanyaan yang diajukan. Turing beranggapan bahwa, jika mesin dapat membuat seseorang percaya bahwa dirinya mampu berkomunikasi dengan orang lain, maka dapat dikatakan bahwa mesin tsb cerdas (seperti layaknya manusia).

SEJARAH KECERDASAN BUATAN Kecerdasan buatan atau “artificial intelligence (AI)” itu sendiri dimunculkan oleh seorang profesor dari Massachusetts Institute of Technology yang bernama John McCarthy pada tahun 1956 pada Dartmouth Conference yang dihadiri oleh para peneliti AI. Beberapa program AI yang mulai dibuat pada tahun 1956-1966, antara lain : Logic Theorist, diperkenalkan pada Dartmouth Conference, program ini dapat membuktikan teorema-teorema matematika. Sad Sam, diprogram oleh Robert K. Lindsay (1960). Program ini dapat mengetahui kalimat-kalimat sederhana yang ditulis dalam bahasa Inggris dan mampu memberikan jawaban dari fakta-fakta yang didengar dalam sebuah percakapan. ELIZA, diprogram oleh Joseph Weizenbaum (1967). Program ini mampu melakukan terapi terhadap pasien dengan memberikan beberapa pertanyaan.

TEKNOLOGI UNTUK MENERAPKAN PENGETAHUAN KECERDASAN BUATAN Sistem komputer bekerja berdasarkan algoritma atau instruksi logis yang disusun secara sistematis untuk menghasilkan output yang tepat. Sedangkan manusia memecahkan persoalan denganmenggunakan simbol-simbol dengan arti tertentu, contoh : memahami arti puisi. Kecerdasan buatan berkenaan dengan memanipulasi simbol-simbol ini. Menurut (Becerra-Fernandez et. al. 2004), kecerdasan buatan adalah ilmu pengetahuan yang mempelajari bagaimana agar komputer mampu melakukan manipulasi simbol-simbol sehingga dapat digunakan untuk menyelesaikan permasalahan yang tidak mudah diselesaikan melalui model algoritma.

TEKNOLOGI UNTUK MENERAPKAN PENGETAHUAN Sistem kecerdasan buatan modern berdasarkan pemahaman pengetahuan dan kecerdasan. Pengetahuan berkenaan dengan simbol-simbol kognitif yang manusia manipulasi, sedangkan kecerdasan berkenaan dgn kemampuan untuk belajar dan berkomunikasi dalam memecahkan masalah. Sistem kecerdasan buatan (sistem berbasis pengetahuan atau sistem menerapkan pengetahuan) berusaha untuk meniru kemampuan problem-solving atau kepakaran pada bidang tertentu. Teknologi kecerdasan buatan yang mendukung sistem menerapkan pengetahuan yaitu : Rule-based expert system Case-based reasoning

RULE-BASED SYSTEM Rule-based system mengandalkan serangkaian aturan-aturan /rules-of-thumb yang merupakan representasi dari pengetahuan dan pengalaman karyawan (manusia) dalam memecahkan kasus yang rumit. Proses mengembangkan sistem menerapkan pengetahuan menggunakan knowledge engineering, yaitu proses memperoleh pengetahuan dari ahli (expert) dan merepresentasikannya dalam bentuk yang dapat diterima oleh komputer. Setelah kita memperoleh rule-of-thumb dari expert maka agar komputer memahami rule-of-thumb tsb, kita membuatnya dalam bentuk production rules atau pernyataan if-then. Contoh : pada program SBIR/STTR Online Advisor, terdapat salah satu aturan yaitu : IF jumlah karyawan kurang dari 500, THEN perusahaan dikategorikan perusahaan kecil.

RULE-BASED SYSTEM Kelemahan rule-based system yaitu untuk keadaan tertentu, jumlah aturan yang dibutuhkan untuk merepresentasikan pengetahuan cukup besar, contoh : sistem GenAID pada awalnya memiliki 10.000 aturan, kemudian diperkecil menjadi 3000 aturan , tetapi ini masih terbilang besar. Sistem pakar dengan banyak aturan memiliki kelemahan yaitu: Sulit untuk di-coding, diverifikasi , divalidasi dan dimaintain aturan-aturannya. Tidak efisien dalam mengeksekusi aturan-aturan tsb.

CASE-BASED REASONING (CBR) SYSTEM CBR adalah teknik kecerdasan buatan yang dirancang untuk meniru pemecahan masalah. CBR berdasarkan model Schank(1982) memori dinamis, tujuannya untuk meniru cara manusia memecahkan masalah. Ketika menghadapi maslah baru, manusia mengingat kembali masalah-masalah dahulu yang menyerupai masalah sekarang dan mengadaptasi solusinya untuk disesuaikan dengan permasalahan sekarang.

CASE-BASED REASONING (CBR) SYSTEM Sistem menerapkan pengetahuan CBR terdiri dari proses-proses berikut : Mencari kasus yang sama pada case library. Hal ini mengakibatkan search engine hanya memeriksa kasus-kasus yang sesuai, tidak semua case library, karena case library berukuran cukup besar. Memilih dan mengambil kembali(retrieve) kasus yang hampir mirip. Permasalahan baru diselesaikan dengan mengambil experienced case sebelumnya. Sehingga diperoleh alat bantu untuk menbandingkan tiap kasus yang telah teruji dengan permasalahan sekarang, menghitung kesamaannya dan merankingnya. Mengadaptasi solusi kasus yang hampir mirip. Permasalahan baru akan diselesaikan dengan bantuan solusi lama yang telah diadaptasi sesuai kebutuhan permasalahan baru. Menerapkan generated solution dan mendapatkan feedback. Ketika solusi telah dikembangkan oleh sistem , solusi tsb diterapkan untuk permasalahan. Dengan menerapkan akan memberikan dampak feedback pada sistem CBR yaitu klasifikasi solusi (sebagai sukses atau gagal). Menambahkan permasalahan baru yang telah dipecahkan ke dalam case library. Permasalahan baru yang telah terpecahkan mungkin akan berguna di masa yang akan datang, sehingga perlu ditambahkan ke dalam case library.

VARIASI CBR : EXEMPLAR-BASED REASONING : sistem ini memecahkan permasalahan dengan klasifikasi, yaitu menemukan kelas yang tepat untuk exemplar/contoh yang belum terklasifikasi. INSTANCE-BASED REASONING : sistem ini memerlukan banyak kasus (instance) yang sederhana. Fokus sistem ini adalah automated learning. ANALOGY-BASED REASONING : sistem ini berfokus pada case reuse/mapping problem yaitu memetakan solusi kasus yang analog dengan permasalahan saat ini.

BENTUK TEKNOLOGI UNTUK SISTEM MENERAPKAN PENGETAHUAN YANG LAIN 1. CONSTRAINT-BASED REASONING Adalah teknik kecerdasan buatan yang menggunakan kendala/”apa yang tidak dapat dilakukan” untuk mengarahkan proses menemukan solusi. 2. MODEL-BASED REASONING Adalah teknik kecerdasan buatan yang menggunakan model dari suatu sistem yang direkayasa untuk mensimulasikan tingkah lakunya. 3. DIAGRAMMATIC REASONING Adalah teknik kecerdasan buatan yang bertujuan untuk memahami konsep dan ide menggunakan diagram yang merepresentasikan pengetahuan.

MENGEMBANGKAN SISTEM MENERAPKAN PENGETAHUAN METODOLOGI UNTUK MENGEMBANGKAN SISTEM MENERAPKAN PENGETAHUAN YAITU CASE-METHOD CYCLE (Kitano 1993; Kitano dan Shimazu,1996) adalah metodologi dengan pendekatan iteratif untuk mengembangkan CBR dan sistem menerapkan pengetahuan secara efektif. Proses pengembangan sistem : proses ini berdasarkan standard rekayasa perangkat lunak dan tujuannya untukmengembangkan sistem menerapkan pengetahuan yang akan menyimpan kasus-kasus baru dan mengambil kembali (retrieve) kasus yang relevan. Proses pengembangan case library : tujuannya untuk mengembangkan dan memaintain case library dalam kapasitas besar untuk mendukung domain pertanyaan. Proses operasi sistem : proses ini berdasarkan standard rekayasa perangkat lunak dan prosedur manajemen basis data relasional. Proses database mining : proses ini menggunakan teknik rule-inferencing (pengambilan keputusan dengan aturan) dan analisis statistik untuk menganalisis case library. Proses manajemen : proses yang menjelaskan bagaimana berbagai tugas dalam project akan dilaksanakan dan dukungan manajemen untuk mensupport project. Proses mentransfer pengetahuan : proses ini menjelaskan sistem insentif yang akan diimplementasikan untuk mendorong user acceptance dan mendukung sistem menerapkan pengetahuan.

MENGEMBANGKAN SISTEM MENERAPKAN PENGETAHUAN Pada tahap 2 yaitu proses pengembangan case library dibagi menjadi beberapa subproses : Case collection : proses ini memerlukan kumpulan seed case, akan menjelaskan pandangan awal terhadap aplikasi. Contoh : SQUAD system, pengembang sistem memulai dengan 100 seed case, yang digunakan untuk mendefinisikan format kumpulan kasus yang akan datang dan untuk rancangan struktur database . Attribute-value extraction dan hierarchy formation : langkah ini penting terkait memberi indeks dan menyusun case library. Feedback : langkah ini memberikan feedback terhadap kasus yang dimasukkan dalam sistem CBR, sehingga dapat meningkatkan kualitas kasus.

JENIS SISTEM MENERAPKAN PENGETAHUAN 1. TEKNOLOGI HELP DESK Contoh : sistem SMART Compaq yang dikembangkan untuk mendukung departemen customer service ketika menangani user call melalui toll-free number. SMART adalah sistem mengintegrasikan call-tracking dan problem solving, didukung oleh ratusan kasus yang membantu menyelesiakan permasalahan terkait produk Compaq. 2. FAULT DIAGNOSIS/TROUBLESHOOTING SYSTEM Contoh : Sistem CABER pada Lockheed Martin Corporation yang memiliki kemampuan untuk mendiagnosa kesalahan sistem . Sistem QuickSource dari Compaq , dijalankan pada Windows, menggunakan 500 kasus diagnosis, digunakan agar customer dapat mendiagnosa kesalahan printer Page-Marq.

KETERBATASAN SISTEM MENERAPKAN PENGETAHUAN 1. Keamanan Kasus (case) mungkinmemuat informasi yang berharga. Sehingga perusahaan harus mempertimbangkan keamanan termasuk access control sesuai peranan user dalam organisasi. 2. Skalabilitas Menjaga skalabilitas, yaitu mengurangi angka kejenuhan (saturation) terkait kasus-kasus yang ada pada sistem CBR, contoh: pada sistem SQUAD, pada awalnya angka saturation 3000 kasus tiap tahun menjadi 1000 per tahun. Karena makin besar ukuran case library, maka membutuhkan skema pengindeksan yang rumit, sehingga dapat mengurangi kestabilan sistem. 3. Kecepatan Semakin besar ukuran case library , maka menyebabkan bertambahnya biaya computing dan searching. Sehingga pengembang sistem menerapkan pengetahuan harus mempertimbangkan penggunaan indeks untuk meningkatkan kinerja dan waktu case-retrieval.