Karakteristik Sistem Pakar

Karakteristik Sistem Pakar

Karakteristik Sistem Pakar

Karakteristik Sistem Pakar
Karakteristik Sistem Pakar

Memiliki kemampuan belajar atau memahami masalah dari pengalaman.
Memberikan tanggapan yang cepat dan memuaskan terhadap situasi baru.

Mampu menangani masalah yang kompleks (semi terstruktur).
Memecahkan masalah dengan penalaran.
Menggunakan pengetahuan untuk menyelasaikan masalah.

Ciri – ciri Sistem Pakar:

Memiliki informasi yang handal.
Mudah dimodifikasi.
Heuristik dalam menggunakan pengetahuan (yang sering kali tidak
sempurna) untuk mendapatkan penyelesaiannya.
Dapat digunakan dalam berbagai jenis komputer.
Memiliki kemampuan untuk beradaptasi.
Konsep dasar sistem pakar mencakup beberapa persoalan mendasar, antara lain siapa yang disebut pakar, apa yang dimaksud dengan keahlian, bagaimana keahlian dapat ditransfer, dan bagaimana sistem bekerja.

Pakar adalah orang yang memiliki pengetahuan, penilaian, pengalaman, metode khusus, serta kemampuan untuk menerapkan bakat dalam memberi nasihat dan memecahkan masalah. Pakar biasa memiliki beberapa konsep umum. Pertama, harus mampu memecahkan persoalan dan mencapai tingkat performa yang secara signifikan lebih baik dari orang kebanyakan. Kedua, pakar adalah relatif. Pakar pada satu waktu atau satu wilayah mungkin tidak menjadi pakar di waktu atau wilayah lain. Misalnya, mahasiswa kedokteran mungkin disebut pakar dalam penyakit dibanding petugas administrasi, tetapi bukan pakar di rumah sakit terkemuka.

Biasanya pakar manusia mampu melakukan hal berikut : Mengenali dan merumuskan persoalan, Memecahkan persoalan dengan cepat dan tepat, Menjelaskan solusi tersebut, Belajar dari pengalaman, Menyusun ulang pengetahuan, Membagi-bagi aturan jika diperlukan, Menetapkan relevansi Keahlian adalah pengetahuan ekstensif yang spesifik terhadap tugas yang dimiliki pakar.

Pakar manusia memiliki sistem perbaikan-pengetahuan : yakni mereka dapat menganalisis pengetahuannya sendiri dan kegunaannya, belajar darinya, dan meningkatkannya untuk konsultasi mendatang. Serupa pula, evaluasi tersebut diperlukan dalam pembelajaran komputer sehingga program dapat menganalisis alasan keberhasilan atau kegagalannya. Hal ini dapat mengarah kepada peningkatan sehingga menghasilkan basis pengetahuan yang lebih akurat dan pertimbangan yang lebih efektif.

Komponen tersebut tidak tersedia dalam sistem pakar komersial pada saat ini, tetapi sedang dikembangkan dalam ES eksperimental pada beberapa universitas dan lembaga riset. Sistem pakar (Expert System) adalah sebuah sistem informasi yang memiliki intelegensia buatan (Artificial Intelegent) yang menyerupai intelegensia manusia. Sistem pakar mirip dengan DSS yaitu bertujuan menyediakan dukungan pemecahan masalah tingkat tinggi untuk pemakai.

Perbedaan ES dan DSS adalah kemampuan ES untuk menjelaskan alur penalarannya dalam mencapai suatu pemecahan tertentu. Sangat sering terjadi penjelasan cara pemecahan masalah ternyata lebih berharga dari pemecahannya itu sendiri.

Keahlian sering dicapai dari pelatihan, membaca, dan mempraktikkan. Keahlian mencakup pengetahuan eksplisit, misalnya teori yang dipelajari dari buku teks atau kelas, dan pengetahuan implisit yang diperoleh dari pengalaman. Pengembangan sistem pakar dibagi menjadi dua generasi. Kebanyakan sistem pakar generasi pertama menggunakan aturan jika untuk merepresentasikan dan menyimpan pengetahuannya. Sistem pakar generasi kedua jauh lebih fleksibel dalam mengadopsi banyak representasi pengetahuan dan metode pertimbangan.

Pengalihan keahlian dari para ahli ke media elektronik seperti komputer untuk kemudian dialihkan lagi pada orang yang bukan ahli, merupakan tujuan utama dari sistem pakar. Proses ini membutuhkan 4 aktivitas yaitu: tambahan pengetahuan (dari para ahli atau sumber-sumber lainnya), representasi pengetahuan (ke komputer), inferensi pengetahuan, dan pengalihan pengetahuan ke user. Pengetahuan yang disimpan di komputer disebut sebagai basis pengetahuan, yaitu: fakta dan prosedur (biasanya berupa aturan).

Salah satu fitur yang harus dimiliki oleh sistem pakar adalah kemampuan untuk menalar. Jika keahlian-keahlian sudah tersimpan sebagai basis pengetahuan dan tersedia program yang mampu mengakses basis data, maka komputer harus dapat diprogram untuk membuat inferensi. Proses inferensi ini dikemas dalam bentuk motor inferensi (inference engine). Dan setiap sub sistem mempunyai sifat dari sistem untuk menjalankan suatu fungsi sistem tertentu dan mempengaruhi proses sistem secara keseluruhan.

Terdapat beberapa alasan bagi suatu perusahaan untuk mengadopsi sistem pakar. Pertama, pakar di suatu perusahaan/instansi bisa pensiun, keluar, atau telah meninggal. Kedua, pengetahuan perlu didokumentasikan atau dianalisis. Ketiga, pendidikan dan pelatihan adalah hal penting tetapi merupakan tugas yang sulit. Sistem pakar memungkinkan pengetahuan ditransfer lebih mudah dengan biaya lebih rendah.

Fasilitas penjelasan sistem merupakan komponen tambahan dari sistem pakar yang berfungsi untuk memberikan penjelasan kepada user mengapa suatu pertanyaan ditanyakan oleh sistem pakar, bagaimana kesimpulan dapat diperoleh, kenapa solusi tertentu ditolak, dan apa rencananya untuk mencapai solusi.

Inferensi merupakan suatu proses untuk menghasilkan informasi dari fakta yang diketahui. Inferensi adalah solusi logis atau implikasi berdasarkan informasi yang tersedia. Dalam sistem pakar, proses inferensi dilakukan dalam suatu modul yang disebut inference engine. Ketika representasi pengetahaun pada bagian knowledge base telah lengkap, atau paling tidak telah berada pada level yang cukup akurat, maka representasi pengetahuan tersebut telah siap digunakan.

Inference engine merupakan modul yang berisi program tentang bagaimana mengendalikan proses reasoning. Ada dua metode inferensi yang penting dalam sistem pakar, yaitu runut maju (forward chaining) dan runut balik (backward chaining).

”Otak” ES adalah mesin inferensi, yang dikenal juga sebagai struktur kontrol atau penerjemah aturan (dalam ES berbasis-aturan). Komponen ini sebenarnya adalah program komputer yang menyediakan metodologi untuk mempertimbangkan informasi dalam pengetahuan dan workplace, dan merumuskan kesimpulan.

Mesin inferensi adalah keahlian yang dibutuhkan disimpan di dalam knowledge base (basis pengetahuan), komputer diprogram sehingga dapat menghasilkan solusi.

Terdapat dua cara (metode) mekanisme inferensi dalam sistem pakar berbasis aturan, yaitu:

Inferencing dengan Rule : Forward dan Backward Chaining

Inferensi dengan rules merupakan implementasi dari modus ponen, yang direfleksikan dalam mekanisme search (pencarian). Dapat pula mengecek semua rule pada knowledge base dalam arah forward maupun backward. Proses pencarian berlanjut sampai tidak ada rule yang dapat digunakan atau sampai sebuah tujuan (goal) tercapai. Ada dua metode inferencing dengan rules, yaitu forward chaining atau data-driven dan backward chaining atau goal-driven.

Runut maju (forward chaining) Runut maju adalah aturan-aturan diuji satu demi satu dalam urutan tertentu (data driven). Forward chaining merupakan grup dari multiple inferensi yang melakukan pencarian dari suatu masalah kepada solusinya. Jika klausa premis sesuai dengan situasi (bernilai TRUE), maka proses akan meng-assert solusi. Forward chaining adalah data-driven karena inferensi dimulai dengan informasi yang tersedia dan baru solusi diperoleh. Jika suatu aplikasi menghasilkan tree yang lebar dan tidak dalam, maka gunakan forward chaining.

Runut mundur ( backward chaining) Runut mundur adalah penalaran dimulai dari kesimpulan dan akan dibuktikan kebenarannya (goal driven). Menggunakan 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.

Kedua cara di atas dipengaruhi oleh macam penelusuran yang terdiri dari 3 macam/ teknik penelusuran:

Depth first search, teknik penelusuran dari kode ke kode bergerak menurun ke tingkat dalam yang berurutan.
Breadth first search, teknik penelusuran pada semua kode dalam satu level sebelum berpindah ke level di bawahnya.
Best first search, kombinasi antara depth first search dan breadth first search.
Akuisisi Pengetahuan (Knowledge Acquisition)

Akuisisi pengetahuan adalah pengumpulan data-data dari seorang pakar ke dalam suatu sistem (program komputer). Bahan pengetahuan dapat diperoleh melalui buku, jurnal ilmiah, literatur, seorang pakar, browsing internet, laporan dan lain-lain. Sumber pengetahuan dari buku, jurnal ilmiah, literatur, seorang pakar, browsing internet, laporan dijadikan dokumentasi untuk dipelajari, diolah dan dikumpulkan dengan terstruktur menjadi basis pengetahuan (knowledge base).

Sumber-sumber pengetahuan yang diperoleh agar menghasilkan data-data yang baik maka perlu diolah dengan kemampuan yang baik pula sehingga dapat menghasilkan solusi yang efisien. Karena kemampuan yang menjadi hal yang pokok/ wajib dibutuhkan oleh seorang pengembang sistem. Mendapatkan pengetahuan dari pakar adalah tugas kompleks yang sering menimbulkan kemacetan dalam konstruksi ES. Dalam membangun sistem besar, seseorang memerlukan knowledge engineer atau pakar elisitasi pengetahuan untuk berinteraksi dengan satu atau lebih pakar manusia dalam membangun basis pengetahuan.

Biasanya knowledge engineer membantu pakar menyusun area persoalan dengan menginterpretasikan dan mengintegrasikan jawaban manusia, menyusun analogi, mengajukan contoh pembanding, dan menjelaskan kesulitan konseptual.

Baca Juga :