Sistem pakar adalah sistem berbasis komputer yang dirancang untuk meniru pengambilan keputusan seorang pakar (Manusia) dalam suatu bidang yang sangat spesifik.
Analogi đź’ˇ
Jika sistem pakar adalah seorang koki spesialis, dia mungkin tidak tau cara membuat semua makanan di dunia, tetapi dia sangat ahli dalam membuat pizza, dia tau persis takaran bahan, suhu oven, urutan langkah, dan tau cara mengatasi adonan jika tidak mengembang.
Tujuan
Pengalihan keahlian dari pakar ke komputer untuk kemudian dialihkan lagi ke user atau orang lain yang bukah ahli.
Kenapa Merancang Sistem Pakar?
Dalam lingkup keahlian manusia:
- Persediaan para ahli pada bidang terbatas/sedikit.
- Terlalu mahal untuk disewa.
- Sulit untuk dihubungi saat keadaan penting.
- Para ahli dapat hilang, mungkin karena pensiun atau kematian.
Hierarki Sistem Pakar pada Lingkup AI
Sistem pakar merupakan bagian dari sistem knowledge-based yang merupakan bagian dari program AI.
- Apa yang membedakan sistem pakar dengan sistem knowledge-based biasa?
Answer : sistem pakar cenderung fokus pada pengetahuan yang dianggap pakar (expert) dan lebih spesifik.
- Apa yang membedakan sistem knowledge-based dengan program AI biasa?
Answer : Sistem berbasis pengetahuan (knowledge-based) memisahkan domain pengetahuannya sebagai sumber terpisah dari sistem kecerdasan lainnya, sehingga semua basis pengetahuan dan hubungannya (knowledge base) disimpan tersendiri dan komponen penalaran (inference) terpisah dan dapat bekerja pada basis pengetahuan tersebut.
Sistem Pakar vs AI lainnya
- Sistem pakar cenderung menganani subjek dengan kompleksitas yang cukup tinggi.
- Biasanya dalam lingkup khusus dan sempit
- Menyediakan solusi expert pada masalah kompleks **
- Komponen knowledge dipisahkan dari pemrosesan (inference)
- Kerangka kerja (shell) yang dapat digunakan kembali (reusable)
-
Memiliki tingkat response yang cepat
-
Performa kualitas yang tinggi
-
Mampu menjelaskan solusi yang dihasilkan
-
Bersifat fleksibel pada perubahaan
Warna Knowledge base:
Biru terang : long-term memory
Ungu : short-term memory
Komponen Sistem Pakar
- Knowledge Base (Basis Pengetahuan) :
Berisi pengetahuan yang berasal dari para ahli atau sumber lainnya, dapat digunakan untuk menyelesaikan masalah dalam domain tertentu, jenis pengetahuan yang disimpan pada knowledge base :
A. Factual Knowledge : Pengetahuan yang berasal dari fakta.
B. Heuristic Knowledge : Pengetahuan yang berasal dari praktik dan pengalaman.
Elemen knowledge base:
A. Rule base : Mencakup aturan implikasi yang mengambil domain pengetahuan tertentu.
B. Fact base : Mencakup fakta-fakta umum yang tidak berubah, dapat berupa nilai variabel atau referensi dari database.
C. Question Base : Mencakup pertanyaan yang ditulis untuk meminta fakta spesifik mengenai kasus user yang kemudian mesin inferensi memanfaatkan jawaban pertanyaan tersebut untuk menentukan hasil.
D. Case-Specific Facts : Mencakup fakta-fakta dari pengguna yang kemudian akan merespon pertanyaan ketika membutuhkan fakta lanjut untuk memecahkan masalah tertentu.
Representasi Knowledge Base :
- Rule Based : Pengetahuan direpresentasikan dengan menggunakan aturan berbentuk IF-THEN (Fakta), contoh : JIKA mesin mobil tidak menyala DAN lampu indikator di dashboard mati , MAKA kemungkinan besar masalahnya ada di aki.
- Cased Based : Pengetahuan akan berisi keadaan dan solusi yang telah dicapai sebelumnya (pengalaman).
2. Inference Engine (Mesin Inferensi) :
Mengambil pengetahuan yang relevan dari knowledge based, mencocokan masalah yang terjadi dengan aturan — aturan yang ada untuk menarik sebuah kesimpulan atau solusi.
Inference Engine (Rule Based) : Akan menerapkan aturan berulang kali pada fakta yang diperoleh.
A. Forward Chaining (Data Driven) :
Penalaran dimulai dari informasi atau fakta yang ada untuk menguji kebenaran hipotesis. Penalaran dimulai dari bagian IF terlebih dahulu.
Contoh Kasus :
Fakta 1 = Langit terlihat mendung
Fakta 2 = Ramalan cuaca bilang 80% akan hujan
Fakta 3 = Saya akan pergi naik motor
Fakta 4 = Saya tidak suka basah kuyup
Proses Penalaran :
- Tahap pertama (Penalaran):
- Jika fact 1 (langit mendung) dan fact 2 (ramalan cuaca) MAKA Decision 1 (kemungkinan besar akan hujan)
- Jika fact 3 (pergi naik motor) ATAU fact 4 (tidak suka basah kuyup) MAKA Decision 2 (saya butuh perlindungan dari hujan)
- Decision 1 dan decision 2 sekarang menjadi fakta baru yang valid.
- Fakta baru 1 : Kemungkinan besar akan hujan
- Fakta baru 2 : Saya butuh perlindungan dari hujan
- Tahap ketiga (Menuju kesimpulan) :
JIKA fakta baru 1 DAN fakta baru 2, MAKA Decision 4 (Saya harus membawa payung / jas hujan).
B. Backward Chaining (Goal Driven):
Penalaran dimulai dari hipotesis dulu, setelah itu baru dicocokan dengan fakta yang ada, dimulai dari THEN dahulu.
Contoh :
Seperti seorang pengacara di pengadilan. Pengacara memulai dengan tujuan: “Klien saya tidak bersalah.” (Hipotesis). Kemudian, ia bekerja mundur untuk mencari bukti-bukti (fakta) yang bisa mendukung argumen tersebut. Proses ini bersifat goal-driven atau digerakkan oleh tujuan.
- User Interface :
Memungkinkan pengguna yang bukan seorang ahli untuk berinteraksi dengan sistem pakar untuk menemukan solusi dari masalahnya. Menampilkan kesimpulan dalam bahasa manusia dan rule yang diterapkan. Sehingga memudahkan user mencapai tujuan.
Komponen Lain :
- Knowledge acquisition (knowlege base editor) dan learning module :
Memungkinkan sistem pakar memperoleh lebih banyak pengetahuan dari berbagai sumber dan menyimpannya dalam basis pengetahuan tanpa melewati perubahaan kode secara eksplisit.
- Explanation module :
Membantu sistem pakar untuk memberikan penjelasan kepada pengguna tentang bagaimana sistem pakar mencapai kesimpulan tertentu.
Planning (Perencanaan)
Planning adalah proses dimana sebuah agen (misalnya robot atau program komputer) menentukan urutan aksi atau langkah — langkah untuk mencapai sebuah tujuan dari suatu keadaan awal.
Analogi :
Pada saat menggunakan google maps.
Keadaan awal : lokasi saat ini
Tujuan : Alamat yang ingin di tuju
Aksi yang mungkin dilakukan : Belok kiri, belok kanan, lurus, putar balik.
Rencana (Plan) : Rute lengkap yang diberikan oleh Google Maps, yaitu urutan dari semua aksi.
Elemen dasar dalam masalah planning
contoh : Robot ada di kamar A, dan ada kotak di kamar B.
- Keadaal Awal (Initial State) : Kondisi pada saat perencanaan dimulai.
- Tujuan (Goal State) : Kondisi yang ingin dicapai / syarat yang harus terpenuhi, contoh : Robot dan kotak harus berada di kamar A.
- Aksi (actions) : Daftar hal — hal yang akan dilakukan agen, setiap aksi memiliki :
- Prasyarat (Precondition) : Syarat yang harus terpenuhi sebelum aksi bisa dilakukan, contoh : Untuk mengambil kotak, robot harus berada di ruangan yang sama dengan kotak.
- Efek (Effect) : Perubahan kondisi pada saat aksi dilakukan, contoh : Setelah robot mengambil kotak, kondisi “robot memegang kotak” menjadi TRUE.
Reffrensi :