Mulutmu Harimaumu

Definisi

Secara Umum : System pakar (expert system ) merupakan paket perangkat lunak atau paket program komputer yang ditujukan sebagai penyedia nasehat dan sarana bantu dalam memecahkan masalah di bidang-bidang spesialisasi tertentu seperti sains, perekayasaan, matematika, kedokteran, pendidikan dan sebagainya. Expert system merupakan subset dari Artificial Intelegence.
Durkin : Program komputer yang dirancang untuk memodelkan kemampuan penyelesaian masalah yang dilakukan oleh seorang pakar
Ignizio : Suatu model dan prosedur yang berkaitan dalam suatu domain tertentu, dimana tingkat keahliannya dapat dibandingkan dengan keahlian seorang pakar
Giarratano dan Riley : suatu sistem komputer yang bisa menyamai atau meniru kemampuan seorang pakar
Sistem Pakar (Expert System) memiliki 2 komponen utama yaitu basis pengetahuan dan mesin inferensi. Basis pengetahuan merupakan tempat penyimpanan pengetahuan dalam memori komputer, di mana pengetahuan ini diambil dari pengetahuan pakar.


Sejarah Ekspert Sistem
Kisah ini dimulai dari sebuah cerita yang sangat lama, dan diriwayatkan oleh Plato. Pada suatu ketika Socrates, seorang filsuf Yunani yang terkenal berjalan – jalan di kota Athena untuk mencari para ahli dan membuktikan aturan –aturan yang dibuat oleh mereka. Lalu bertemulah Socarates dengan Euthyphro, seorang pemuka agama dan ahli dengan pious (hukum – hukum moral dan kebaikan). Socrates menanyakan kepada Euthypro “Apakah pious (kebaikan) diperintahkan oleh Tuhan karena Tuhan mencintai kebaikan atau karena kebaikan itu baik sehingga Tuhan memerintahkannya ?”. Euthypro terdesak karena pertanyaan ini. Seperti para ahli lainnya, Euthypro menjelaskan menurut prespektif dari dirinya. Socrates jengkel dengan pernyataan tersebut. Lalu Socrates menanyai pengrajin, seniman dan politisi. Prinsip – prinsip dan aturan apa saja yang diperlukan mereka untuk mampu menjadi pengrajin, seniman dan politisi. Dan ternyata jawaban mereka sama dengan Euthypro. Oleh karena itu Socrates berkesimpulan bahwa para ahli ini tidak mengerti kenapa mereka mampu memiliki keahlian tersebut. Hal ini sama saja ketika kita dihadapkan pada pertanyaan “Aturan dan langkah – langkah apa yang anda butuhkan untuk dapat berjalan ?”. Plato memahami kesulitan yang dialami Socrates. Plato mengatakan sebenarnya ketika para ahli tersebut belum “ahli” mereka mengetahui prinsip – prinsip tersebut lalu kemudian melupakannya.


Edward Feigenbaum, seorang ilmuwan di bidang komputer dan kecerdasaan buatan, mengatakan “Ketika kita belajar untuk mengikat sepatu kita, kita harus berpikir bagaimana langkah – langkah yang benar. Sekarang ketika kita sudah berkali – kali mengikat tali sepatu, pengetahuan tersebut telah terpetakan didalam otak kita, sehingga kita dapat melakukannya tanpa memikirkan bagaimana kita melakukannya”.

Dari prespektif Plato menyatakan bahwa kemampuan seorang ahli / pakar (expertise) dapat menggunakan keahliannya secara sadar atupun tidak. Pertanyaanya bagaimana mungkin para ahli / pakar tersebut dapat melakukan keahliannya tanpa harus memikirkan terlebih dahulu langkah – langkahnya. Meskipun begitu kita dapat berjalan, berbicara walaupun kita tidak tahu bagaimana dulu kita melakukannya.
Dan berkat Feigenbaum pula, kita tahu sebutan yang tepat terhadap apa yang dilakukan oleh Socrates dan Plato yaitu knowledge acquisition research - penelitian / pencarian bagaiamana knowledge / pengetahuan dalam hal ini kemampuan yang dimiliki seorang ahli / pakar dapat diperoleh.

Apa yang dipermasalahkan oleh Socrates sama saja dengan permasalah mana yang lebih dulu telur atau ayam. Permasalah telur ayam ini juga yang harus dihadapi oleh para pakar AI untuk memcahkan masalah yang dihadapi oleh AI. Kita telah tahu bahwa para pakar / ahli mengusai keahlian berkat fakta – fakta yang telah mereka kumpulkan. Contohnya seorang dokter yang memeriksa pasien berdasarkan fakta – fakta diagnosis yang telah ia temukan. Tapi pernahkah kita mendengar dokter tersebut “Saya yakin penyakitnya ini tapi bisa saja jadi itu tidak benar” dan kemungkinan salah diagnosis pun dapat terjadi. Padahal untuk membentuk sebuah sistem pakar contohnya AI yang ditanamakan pada komputer sehingga komputer tersebut mampu berlaku sebagai seorang dokter. Tentunya kita membutuhkan sumber pengetahuan dalam hal ini dokter, tapi permasalahan yang dihadapi adalah bahwa tidak semua ahli / pakar (dalam hal ini dokter) menguasai domain keahliannya.

Permasalahan ini juga muncul ketika IBM membuat AI yang mampu bermain catur. Ketika seorang pecatur dijadikan sumber fakta (master), ternyata terjadi kasus yang sama ketika Socrates dengan Euthypro yaitu master tersebut tidak dapat mengatakan mengapa ia memilih langkah ini tidak langkah yang lain. Ketidakmampuan master untuk mengumpulkan kembali fakta – fakta yang telah lama terpetakan di pikirannya, menjadi permasalah utama dalam pengembangan AI.
Sebenarnya bagaimana tingkatan manusia belajar dapat dikategorikan menjadi 5 tahap yaitu:

Novice
Pada tahap novice, kita analogikan dengan seorang pengemudi dan pecatur. Pada tahap ini pengemudi novice baru belajar aturan – aturan dasar bagaiamana mengemudikan mobil. Seperti belajar membaca kecepatan dari spedometer.

Sedangkan pada pecatur novice, ia belajar memahami aturan – aturan untuk menggerakkan bidak – bidaknya. Dan memahami bahwa setiap bidak memiliki nilai yang berbeda.

Advance Beginner
Pada tahap advannce beginner, pengemudi mulai paham dengan situasi lingkungan, ia belajar untuk memainkan pedal gas berdasarkan kondisi kendaraan. Ia tidak lagi memabaca spedometer, tetapi mulai merasakan perbedaan kondisi ketika kendaraan terlalu kencang ataupun lambat.

Sedangkan pada pecatur, ia belajar bagaimana mengenali posisi ketika rajanya dalam kondisi lemah dan mengatur struktur formasi pion agar kuat.


Competence
Pada tahap competence, pengemudi mulai menghitung kecepatan, keadaan jalan, dan waktu yang tepat ketika harus berhadapan dengan tikungan yang berbahaya. Sangat berorienteasi pada waktu yang dapat ia lalui pada jalan menikung Pengemudi juga seakan mendapat kesenangan jika dapat melalui tikungan atau jalanan yang terjal dengan baik.

Pada pecatur, ia belajar untuk mengorbankan setiap bidaknya untuk memenangkan permainan dan tujuan hanya untuk menang, tidak lagi memikirkan jumlah bidak yang habis asalkan raja musuh berhasil ditumbangkan. Sama seperti pengemudi ia mendapatkan ephoria ketika strategi yang digunakan berhasil tetapi tidak sebaliknya.

Proficient
Pengemudi proficient tidak seperti compotence, ia menghitung juga sudut tikungan, gravitasi bumi dan kecepatan. Dia tidak seperti competence yang sangat memikirkan berapa cepat ia dapat menyelesaikan tikungan itu. Tetapi bagaimana melalui tikungan tersebut dengan aman.

Pecatur proficient tahu dan mengerti setiap langkah yang dilakukannya untuk menang. Dia mengerti kapan untuk menyerang dan bertahan.

Expert
Seorang expert tidak hanya memikirkan bagaimana hal ini harus dilakukan, tetapi ia juga mengerti bagaimana memilih kemungkinan jalan yang terbaik. Seorang expert hanya melakukan apa yang harus ia lakukan. Karena intiusi juga ikut bermain dalam melakukan setiap pemilihan decision. Karena itu seorang grand master dapat menggerakkan bidaknya 5 – 10 detik per gerakan dan minim kesalahan tentunya.

Meskipun sistem pakar dapat dibangun bukan berarti sistem tersebut dapat mengalahkan pakar yang menjadi masternya. Karena manusia memiliki kemampuan untuk dapat berpikir secara abstrak, tidak seperti mesin atau komputer yang hanya dapat mengolah informasi secara runtut. Tetapi ambisi untuk dapat membuat sistem pakar yang sempurna telah dirilis di berbagai negara maju, seperti di Jepang dengan keinginannya untuk membuat komputer generasi ke 5 yang berbasis AI.

Arsitektur Ekspert Sistem
Ekspert Sistem memiliki beberapa komponen utama, yaitu antar muka (user interface), basis data system pakar (expert system database), fasilitas akuisisi pengetahuan (knowledge acquisition facility), dan mekanisme inferensi (inference mechanism). Selain itu ada suatu komponen yang hanya ada pada beberapa system pakar, yaitu fasilitas penjelasan (explanation facility).

- Antar Muka (User Interface)
Adalah perangkat lunak yang menyediakan media komunikasi antara pengguna dengan system

- Basis Data Sistem Pakar (Expert System Database)
Adalah basis yang berisi pengetahuan setingkat pakar pada subjek tertentu. Berisi pengetahuan yang di butuhkan untuk memahami, merumuskan, dan menyelesaikan masalah. Basis data ini terdiri dari 2 elemen dasar :
a. Fakta, situasi masalah dan teori yang terkait
b. Heuristik khusus atau rules, yang langsung menggunakan pengetahuan untuk menyelesaikan masalah khusus.
Pengetahuan ini dapat berasal dari pakar, jurnal, majalah, dan sumber pengetahuan lain.

o Fasilitas Akuisisi (Knowledge Acquisition Facility)
Merupakan perangkat lunak yang menyediakan fasilitas dialog antara pakar dengan system. Fasilitas ini digunakan untuk memasukan fakta-fakta dan kaidah-kaidah sesuai dengan perkembangan ilmu. Meliputi proses pengumpulan, pemindahan, dan perubahan dari kemampuan pemecahan masalah seorang pakar atau sumber pengetahuan terdokumentasi ke program computer, yang bertujuan untuk memperbaiki dan atau mengembangkan basis pengetahuan (knowledge-base).

o Mekanisme Inferensi (Inference Mechanism)
Merupakan perangkat lunak yang melakukan penalaran dengan menggunakan pengetahuan yang ada untuk menghasilkan suatu kesimpulan atau hasil akhir. Dalam komponen ini di lakukan pemodelan proses berfikir manusia.

o Fasilitas Penjelasan (Explanation Facility)
Fasilitas penjelasan berguna dalam memberikan penjelasan kepada pengguna mengapa computer meminta suatu informasi tertentu dari pengguna dan dasar apa yang di gunakan computer sehingga dapat menyimpulkan suatu kondisi.
Ada 4 Tipe penjelasan yang digunakan dalam system pakar
1. Penjelasan mengenai jejak aturan yang menunjukan status konsultasi
2. Penjelasan mengenai bagaimana sebuah keputusan di peroleh
3. penjelasan mengapa system menanyakan suatu pertanyaan
4. penjelasan mengapa system tidak memberikan keputusan seperti yang dikehendaki pengguna

Orang Yang Terlibat Dalam Expert Sistem

Untuk memahami perancangan system pakar, perlu di pahami mengenai siapa saja yang berinteraksi dengan system. Mereka adalah:
a. Pakar (domain expert) : seorang ahli yang dapat menyelesaikan masalah yang sedang di usahakan untuk dipecahkan oleh system
b. Pembangun Pengetahuan (knowledge engineer) : seseorang yang menerjemahkan pengetahuan seorang pakar dalam bentuk deklaratif sehingga dapat digunakan oleh system pakar.
c. Pengguna (user) : seseorang yang berkonsultasi dengan system untuk mendapatkan saran yang di sediakan oleh pakar
d. Pembangun Sistem (System Engineer) : seseorang yang membuat antarmuka pengguna, merancang bentuk basis pengetahuan secara deklaratif dan mengimplementasikan mesin inferensi.

Seorang pakar/ahli (human expert) adalah seorang individu yang memiliki kemampuan pemahaman yang superior atas suatu masalah. Misalnya : seorang doketer, penasihat keuangan, pakar mesin mobil, dll. Seorang pakar memiliki kemampuan :

1. Dapat mengenali (recognizing) dan merumuskan masalah
2. menyelesaikan masalah dengan cepat dan tepat
3. menjelaskan solusi
4. belajar dari pengalaman
5. restrukturisasi pengetahuan
6. menentukan relevansi/hubungan
7. memahami batas kemampuan

kepakaran merupakan pemahaman yang luas dari tugas atau pengetahuan spesifik yang di peroleh dari pelatihan, membaca dan pengalaman.
Jenis – jenis pengetahuan yang dimiliki dalam kepakaran :

1. Teori – teori dalam permasalahan
2. Aturan dan prosedur yang mengacu pada area permasalahan
3. Aturan yang harus dikerjakan pada situasi yang terjadi
4. Strategi global untuk menyelesaikan berbagai jenis masalah
5. meta-knowledge (pengetahuan tentang pengetahuan_
6. Fakta-fakta


Pemilihan seseorang sebagai domain expert, hendaknya memperhatikan hal-hal sebagai berikut :

1. Orang yang memiliki keterampilan (skill) dan pengetahuan (knowledge) untuk menyelesaikan masalah khsusu dengan cara-cara superior disbanding orang kebanyakan.
2. Memiliki pengetahuan kepakaran
3. Memiliki keterampilan problem-sloving yang efisien
4. Dapat mengomunikasikan pengetahuan
5. Dapat menyediakan waktu
6. Dapat bekerja sama


Kategori Masalah Sistem Pakar

Masalah-masalah yang dapat diselesaikan dengan system pakar, diantaranya :
1. Interpretasi – membuat kesimpulan atau deskripsi dari data mentah
2. Prediksi – memproyeksikan akibat-akibat yang dimungkinkan dari situasi-situasi tersebut
3. Diagnosis – menentukan sebab malfungsi alam situasi komplesk yang didasarkan pada gejala-gejala yang teramati
4. Desain – menentukan konfigurasi komponen-komponen system yang cocok dengan tujuan-tujuan kinerja tertentu
5. Perncanaan – merencanakan serangkaian tindakan yang akan dapat mencapai sejumlah tujuan dengan kondisi awal tertentu
6. Debugging dan Repair – menentukan dan mengimplementasikan cara-cara untuk mengatasi malfungsi
7. Instruksi – mendeteksi dan mengkoreksi defisiensi dalam pemahaman domain subyek
8. Pengendalian – mengatur tingkah laku suatu environment yang kompleks
9. Selection – mengidentifikasi pilihan terbaik dari sekumpulan (list) kemungkinan
10. Simulation – pemodelan interaksi antara komponen-komponen system.
11. Monitoring – membandingkan hasil pengamatan dengan kondisi yang di harapkan



Keunggulan sistem pakar

a. Kemampuan menghimpun data dalam jumlah yang sangat besar.
b. Kemampuan menyimpan data tersebut untuk jangka waktu yang panjang dalam
suatu bentuk yang tertentu.
c. Kemampuan mengerjakan perhitungan secara tepat dan tepat dan tanpa jemu
mencari kembali data yang tersimpan dengan kecepatan tinggi.
Kemampuan sistem pakar

a. Menjawab berbagai pertanyaan yang menyangkut bidang keahliannya.
b. Bila diperlukan dapat menyajikan asumsi dan alur penalaran yang digunakan
untuk sampai ke jawaban yang dikehendaki.
c. Menambah fakta kaidah dan alur penalaran sahih yang baru ke dalam otaknya.

Contoh Sistem Pakar

- Yang Biasa Kita Temukan
MYCIN: diagnosa penyakit,
DENDRAL: mengidentifikasi struktur molekul campuran kimia yang tidak dikenal,
XCON & XSEL: konfigurasi sistem komputer besar,
Prospector: bidang geologi

- Yang Jarang Kita Temukan
SOPHIE: analisis sirkuit elektronik,
DELTA: pemeliharaan lokomotif listrik,
FOLIO: stok dan investasi


Manfaat Sistem Pakar

- Memungkinkan orang awam dapat mengerjakan pekerjaan para ahli
- Bisa melakukan proses berulang secara otomatis
- Menyimpan pengetahuan dan keahlian pakar
- Meningkatkan output dan produktifitas
- Melestarikan keahlian pakar
- Dapat beroperasi pada lingkungan berbahaya
- Dapat meningkatkan kemampuan sistem komputer
- Dapat bekerja dengan informasi yang tidak lengkap
- Sebagai media pelengkap dalam pelatihan
- Menghemat waktu pengambilan keputusan


4Basic Type Sistem Pakar

- Stand-alone: software yang berdiri sendiri, tidak tergabung dengan program lain
- Sistem Tergabung: sistem ini merupakan bagian dari program lain yang masih bersifat konvensional, misal berada di dalam algoritma yang konvensional
- Sistem terhubung dengan software lain: misalnya sistem pakar yang berhubungan dengan paket program DBMS
- Sistem Mengabdi: merupakan bagian dari komputer khusus yang dihubungkan dengan suatu fungsi tertentu

Sistem Konvensional vs Sistem Pakar
Sistem Konvensional :
1. Informasi dan pemrosesan umumnya digabung dalam satu program sequential
2. Program tidak pernah salah (kecuali pemrogramnya yang salah)
3. Tidak menjelaskan mengapa input dibutuhkan atau bagaimana hasil di peroleh
4. Data harus lengkap
5. Perubahan pada program merepotkan
6. Sistem bekerja jika sudah lengkap
7. Eksekusi secara algoritmik (step-by-step)
8. Manipulasi efektif pada database yang besar
9. Efisiensi adalah tujuan utama
10. Data kuantitatif
11. Representasi data dalam numeric
12. Menagkap, menambah, dan mendistribusikan data numeric atau informasi

Sistem Pakar :
1. Knowledge base terpisah dari mekanisme pemrosesan (interface)
2. Program bisa saja melakukan kesalahan
3. Pnjelasan (explanation) merupakan bagian dari Expert System
4. Data tidak harus lengkap
5. Perubahan pada rules dapat dilakukan dengan mudah
6. Sistem dapat bekerja hanya dengan rules yang sedikit
7. Eksekusi dilakukan secara heuristic dan logic
8. Manipulasi efektif pada knowledge-base yang besar
9. Efektivitas adalah tujuan utama
10. Data kualitatif
11. Representasi pengetahuan dalam symbol
12. Menangkap, menambah, dan mendistribusikan pertimbangan(judgement) dan pengetahuan



Expert System dan DSS
Perbedaan antara expert sistem dan DSS adalah :

- DSS terdiri dari routine merefleksikan keyakinan manajer dalam caranya
memecahkan masalah. Keputusan yang dihasilkan oleh DSS
merefleksikan gaya kemampuan manajer, sebaliknya expert sistem
memberikan peluang untuk mendapatkan kemampuan dalam membuat
keputusan melebihi kemampuan yang dimiliki manajer.


- Expert System mempunyai kemampuan untuk menjelaskan jalur penalaran
yang diikuti pencapaian pemecahan tertentu, penjelasan mengenai
bagaimana pemecahan dicapai akan lebih berguna dari pada pemecahan
itu sendiri.
Memutuskan kapan menggunakan Expert system

DSS data yang digunakan berupa numerik, program menekankan penggunaan
mathematical routines. Expert system data yang digunakan bersifat simbolis, seringkali
berbentuk teksnaratif, program menekankan penggunaan logic routines.
Jika menghadapi masalah bisa memilih menggunakan expert system dari pada
DSS bila :
- Masalah tersebut melibatkan diagnosis situasi yang kompleks /
melibatkan pembutan kesimpulan / peringkasan dari volume data yang
besar.
- Ada tingkat ketidaktentuan dalam aspek masalah tertentu.
- Ada kemungkinan bagi ahli manusia untuk memecahkan masalah
tersebut dala jangka waktu yang wajar.

Konsep Dasar Ekspert Sistem

– Pengetahuan Pakar: pengetahuan pada suatu bidang tertentu
• Fakta-fakta, teori, prosedur, aturan, strategi, meta knowledge
– Pakar
– Pengalihan Pengetahuan:
• Tambahan pengetahuan, representasi pengetahuan, inferensi pengetahuan, pengalihan pengetahuan ke user.
– Inferensi: kemampuan menalar
– Aturan: dalam bentuk aturan IF-THEN
– Fasilitas Penjelasan: penejelasan bagaimana keputusan dibuat
– Kemampuan rekomendasi




Penjelasan

• Knowledge Acusition: penambahan pengetahuan, mengkonstruksi atau memperluas pengetahuan
• Knowledge Base: berisi pengetahuan
• Inference Engine: program yang berisi metodologi yang digunakan untuk melakukan penalaran terhadap informasi dalam basis pengetahuan dan blackboard:
– Interpreter: mengeksekusi item-item agenda yang terpilih menggunakan aturan
– Scheduler: mengkontrol agenda
– Consistency Enforcer: memelihara kekonsistenan dalam merepresentasikan solusi yang bersifat darurat
• Blackboard: area kerja dalam memori yang digunakan dalam kejadian yang sedang berlangsung termasuk keputusan sementara
– Plan: bagaimana menghadapi masalah
– Agenda: aksi aksi potensial yang sedang menunggu untuk dieksekusi
– Solution: calon aksi yang akan dibangkitkan

• Interface: sebagai media komunikasi antara user dan program
• Explanation Facility: melacak respon dan memberi penjelasan ttg kelakuan sistem pakar
– Mengapa suatu pertanyaan ditanyakan?
– Bagaimana konklusi dicapai?
– Mengapa ada alternatif yang dibatalkan?
– Rencana apa yang dilakukan mendapatkan solusi?
• Knowledge refinement: mengevaluasi kinerja sistem pakar, apakah pengetahuan tersebut masih cocok untuk digunakan pada masa yang akan datang?


Knowledge Base
• Pendekatan knowledge base:
– Rule Based Reasoning
• Pengetahuan dibuat dalam IF-THEN
• Digunakan jika kita sudah memiliki pengetahuan dari pakar mengenai permasalahan tertentu secara berurutan
• Dibutuhkan jika harus ada penjelasan tentang langkah-langkah pencapaian solusi
– Case Based Reasoning
• Basis pengetahuan akan berisi kasus-kasus yang sudah diketahui sebelumnya.
• Jika kasus-kasusnya hampir mirip
• Jika sudah memiliki penyelesaian kasus-kasus


Inference Engine

• Forward Chaining: pencocokan dari fakta untuk menguji kebenaran hipotesis
• Backward Chaining: pencocokan dari bagian hipotesis terlebih dahulu baru mencocokkan dengan fakta-faktanya


Ciri – Ciri Ekspert Sistem

• Adanya Explanation facility
• Mudah dimodifikasi
• Dapat digunakan pada berbagai jenis komputer
• Memiliki kemampuan beradaptasi


Aplikasi Ekspert Sistem

• ES is not suitable for all situations
• Generic ES categories:
– Control : intelligent automation
– Debugging : recommends corrections to faults
– Design : developing products to specification
– Instruction : optimized computer instruction
– Interpretation : clarification of situations
– Planning : developing goal-oriented schemes
– Prediction : intelligent guessing of outcomes
– Repair : automatic diagnosis, debugging, planning and fixing



Pengembangan Ekspert Sistem




Metode Inferensi

Inferensi merupakan proses untuk menghasilkan informasi dari fakta yang diketahui atau diasumsikan. Inferensi adalah koklusi logis (logical conclusion) atau imlikasi berdasarkan informasi yang tersedia. Dalam system pakar proses inferensi proses inferensi dilakukan dalam suatu modul yang di sebut Inference Engine (Mesin Inferensi)
Ketika representasi (RP) pada bagian knowledge base telah lengkap, atau paling tidak telah berada pada level yang cukup akurat, maka RP tersebut telah siap digunakan. Inference engine merupakan modul yang berisi program tentang bagaimana mengendalikan proses reasoning.
Ada dua metode inferensi yang penting dalam system pakar yaitu : runut maju (forward chaining) dan runut balik (backward chaining).




Metode Forward Chaining

Metode Forward Chaining adalah suatu metode pengambilan keputusan yang umum digunakan dalam system pakar. Proses pencarian dengan metode Forward Chaining berangkat dari kiri ke kanan, yaitu dari premis menuju kepada kesimpulan akhir, metode ini sering disebut data driven yaitu pencarian dikendalikan oleh data yang diberikan


Metode Backward Chaining

Metode Backward Chaining adalah suatu metode pengambilan keputusan yang juga umum digunakan dalam sistem pakar. Metode backward chaining adalah kebalikan dari Forward Chaining. Percobaan fakta atau pernyataan dimulai dari bagian sebelah kanan (THEN dulu). Dengan kata lain, penalaran dimulai dari hipotesis terlebih dan untuk menguji kebenaran hipotesis tersebut harus dicari fakta-fakta yang ada dalam basis pengetahuan. Proses pencarian dengan metode backward chaining berangkat dari kanan ke kiri, yaitu dari kesimpulan sementara menuju kepada premis, metode ini sering disebut good driven pencarian dikendalikan oleh tujuan yang diberikan




Apakah Problem Memerlukan Eekpert Sistem?

• Memerlukan kepakaran
• Biaya tinggi
• Tidak memerlukan common sense
• Subyeknya sempit
• Tidak memerlukan solusi fisik
• Tingkat kesulitan sedang
• Bisa dipecahkan oleh pengetahuan
• Memiliki solusi minimum
• Pakarnya tersedia













Artificial Intellegence
Kecerdasan Buatan (Artificial Intelligence) didefinisikan sebagai kecerdasan yang ditunjukkan oleh suatu entitas buatan. Sistem seperti ini umumnya dianggap komputer. Kecerdasan diciptakan dan dimasukkan ke dalam suatu mesin (komputer) agar dapat melakukan pekerjaan seperti yang dapat dilakukan manusia. Beberapamacam bidang yang menggunakan kecerdasan buatan antara lain sistem pakar,permainan komputer (games), logika fuzzy, jaringan syaraf tiruan dan robotika.Sistem AI sekarang ini sering digunakan dalam bidang ekonomi, obat-obatan, teknik dan militer, seperti yang telah dibangun dalam beberapa aplikasi perangkat lunakkomputer rumah dan video game. 'Kecerdasan buatan' ini bukan hanya ingin mengertiapa itu sistem kecerdasan, tapi juga mengkonstruksinya. Tidak ada definisi yang memuaskan untuk 'kecerdasan':
1) kecerdasan: kemampuan untuk memperoleh pengetahuan dan menggunakannya
2) atau kecerdasan yaitu apa yang diukur oleh sebuah 'Test Kecerdasan' Secara garis besar, AI terbagi ke dalam dua faham pemikiran yaitu AI Konvensional danKecerdasan Komputasional (CI, Computational Intelligence). AI konvensional kebanyakan melibatkan metoda-metoda yang sekarang diklasifiksikan sebagai pembelajaran mesin, yang ditandai dengan formalisme dan analisis statistik. Dikenal juga sebagai AI simbolis, AI logis, AI murni dan AI cara lama (GOFAI, Good Old Fashioned Artificial Intelligence). Metoda- metodanya meliputi:
- Sistem pakar: menerapkan kapabilitas pertimbangan untuk mencapai kesimpulan. Sebuah sistem pakar dapat pemproses sejumlah besar informasi yang diketahui dan menyediakan kesimpulan-kesimpulan berdasarkan pada informasi-informasi tersebut.
- Petimbangan berdasar kasus
- Jaringan Bayesian
3) AI berdasar tingkah laku: metoda modular pada pembentukan sistem AI secara manual Kecerdasan komputasional melibatkan pengembangan atau pembelajaran iteratif (misalnya penalaan parameter seperti dalam Sistem koneksionis. Pembelajaran mini berdasarkan pada data empiris dan diasosiasikan dengan AI non-simbolis, AI yang tak teratur dan perhitungan lunak. Metoda-metoda pokoknya meliputi:
- Jaringan Syaraf: sistem dengan kemampuan pengenalan pola yang sangat kuat
- Sistem Fuzzy: teknik-teknik untuk pertimbangan di bawah ketidakpastian, telah digunakan secara meluas dalam industri modern dan sistem kendali produk konsumen.
- Komputasi Evolusioner: menerapkan konsep-konsep yang terinspirasi secara biologis seperti populasi, mutasi dan “survival of the fittest” untuk menghasilkan pemecahan masalah yang lebih baik. Metoda-metoda ini terutama dibagi menjadi algoritma evolusioner (misalnya algoritma genetik) dan kecerdasan berkelompok (misalnya algoritma semut) Dengan sistem cerdas hibrid, percobaan- percobaan dibuat untuk menggabungkan kedua kelompok ini. Aturan inferensi pakar dapat dibangkitkan melalui jaringan syaraf atau aturan produksi dari pembelajaran statistic seperti dalam ACT-R. Sebuah pendekatan baru yang menjanjikan disebutkan bahwa penguatan kecerdasan mencoba untuk mencapai kecerdasan buatan dalam proses pengembangan evolusioner sebagai efek samping dari penguatan kecerdasan manusia melalui teknologi.
Metode Pencarian
Metode pencarian dalam tugas akhir ini menggunakan metode yang telah diusulkan oleh beberapa kalangan yang telah kompeten di bidangnya, dan telah dituangkan dalam beberapa buku. Semua metode yang ada dapat dibedakan kedalam dua jenis : pencarian buta/tanpa informasi (blind atau un-informed search) dan pencarian heuristik/dengan informasi (heuristic atau informed search). Setiap metode mempunyai karakteristik yang berbeda-beda dengan kelebihan dan kekurangannya masing-masing. Dalam makalah ini memakai metode Generate-and-Test (GT).
Generate-and-Test (GT) adalah metode yang paling sederhana dalam teknik pencarian heuristik. Jika pembangkitan sebuah solusi yang mungkin (apossible solution) dikerjakan secara sistematis, maka prosedur ini menjamin akan menemukan solusinya. Tetapi, jika ruang masalahnya sangat luas, mungkin memerlukan waktu yang sangat lama. Algoritma GT menggunakan prosedur Depth First Search (DFS) karena suatu solusi harus dibangkitkan secara lengkap sebelum dilakukan Test. Algoritma ini berbentuk sistematis, pencarian sederhana yang mendalam dari suatu ruang permasalahan. GT juga dapat dilakukan pembangkitan secara acak, tetapi tidak ada jaminan solusinya dapat ditemukan. Di dalam GT terdapat dua prosedur penting : Pembangkit (membangkitkan solusi yang mungkin) dan Tes (menguji solusi yang dibangkitkan tersebut). Dengan menggunakan memori yang sedikit, DFS bias digunakan sebagai prosedur Pembangkit yang menghasilkan suatu solusi. Prosedur Tes bisa menggunakan fungsi heuristik.
Depth-First Search (DFS), Pencarian dilakukan pada suatu simpul dalam setiap level dari yang paling kiri. Jika pada level yang terdalam belum ditemukan, maka pencarian dilanjutkan pada simpul sebelah kanan dan simpul sebelah kiri dapat dihapus dari memori. Jika pada level yang paling dalam tidak ditemukan solusi, maka pencarian dapat dilanjutkan pada level sebelumnya. Demikian seterusnya sampai ditemukan solusinya.


Faham Pemikiran
Secara garis besar, AI terbagi ke dalam dua faham pemikiran yaitu AI Konvensional dan Kecerdasan Komputasional (CI, Computational Intelligence). AI konvensional kebanyakan melibatkan metoda-metoda yang sekarang diklasifiksikan sebagai pembelajaran mesin, yang ditandai dengan formalisme dan analisis statistik. Dikenal juga sebagai AI simbolis, AI logis, AI murni dan AI cara lama (GOFAI, Good Old Fashioned Artificial Intelligence). Metoda-metodanya meliputi:
•Sistem pakar: menerapkan kapabilitas pertimbangan untuk mencapai kesimpulan. Sebuah sistem pakar dapat memproses sejumlah besar informasi yang diketahui dan menyediakan kesimpulan-kesimpulan berdasarkan pada informasi-informasi tersebut.
•Petimbangan berdasar kasus
•Jaringan Bayesian
•AI berdasar tingkah laku: metoda modular pada pembentukan sistem AI secara manual
Kecerdasan komputasional melibatkan pengembangan atau pembelajaran interaktif (misalnya penalaan parameter seperti dalam sistem koneksionis). Pembelajaran ini berdasarkan pada data empiris dan diasosiasikan dengan AI non-simbolis, AI yang tak teratur dan perhitungan lunak. Metoda-metoda pokoknya meliputi:
•Jaringan Syaraf: sistem dengan kemampuan pengenalan pola yang sangat kuat
•Sistem Fuzzy: teknik-teknik untuk pertimbangan di bawah ketidakpastian, telah digunakan secara meluas dalam industri modern dan sistem kendali produk konsumen.
•Komputasi Evolusioner: menerapkan konsep-konsep yang terinspirasi secara biologis seperti populasi, mutasi dan “survival of the fittest” untuk menghasilkan pemecahan masalah yang lebih baik.
Metoda-metoda ini terutama dibagi menjadi algoritma evolusioner (misalnya algoritma genetik) dan kecerdasan berkelompok (misalnya algoritma semut). Dengan sistem cerdas hibrid, percobaan-percobaan dibuat untuk menggabungkan kedua kelompok ini. Aturan inferensi pakar dapat dibangkitkan melalui jaringan syaraf atau aturan produksi dari pembelajaran statistik seperti dalam ACT-R. Sebuah pendekatan baru yang menjanjikan disebutkan bahwa penguatan kecerdasan mencoba untuk mencapai kecerdasan buatan dalam proses pengembangan evolusioner sebagai efek samping dari penguatan kecerdasan manusia melalui teknologi.
Sejarah
Pada awal abad 17, René Descartes mengemukakan bahwa tubuh hewan bukanlah apa-apa melainkan hanya mesin-mesin yang rumit. Blaise Pascal menciptakan mesin penghitung digital mekanis pertama pada 1642. Pada 19, Charles Babbage dan Ada Lovelace bekerja pada mesin penghitung mekanis yang dapat diprogram.
Bertrand Russell dan Alfred North Whitehead menerbitkan Principia Mathematica, yang merombak logika formal. Warren McCulloch dan Walter Pitts menerbitkan “Kalkulus Logis Gagasan yang tetap ada dalam Aktivitas” pada 1943 yang meletakkan pondasi untuk jaringan syaraf.
Tahun 1950-an adalah periode usaha aktif dalam AI. Program AI pertama yang bekerja ditulis pada 1951 untuk menjalankan mesin Ferranti Mark I di University of Manchester (UK): sebuah program permainan naskah yang ditulis oleh Christopher Strachey dan program permainan catur yang ditulis oleh Dietrich Prinz. John McCarthy membuat istilah “kecerdasan buatan” pada konferensi pertama yang disediakan untuk pokok persoalan ini, pada 1956. Dia juga menemukan bahasa pemrograman Lisp. Alan Turing memperkenalkan “Turing test“ sebagai sebuah cara untuk mengoperasionalkan test perilaku cerdas. Joseph Weizenbaum membangun ELIZA, sebuah chatterbot yang menerapkan psikoterapi Rogerian.
Selama tahun 1960-an dan 1970-an, Joel Moses mendemonstrasikan kekuatan pertimbangan simbolis untuk mengintegrasikan masalah di dalam program Macsyma, program berbasis pengetahuan yang sukses pertama kali dalam bidang matematika. Marvin Minsky dan Seymour Papert menerbitkan Perceptrons, yang mendemostrasikan batas jaringan syaraf sederhana dan Alain Colmerauer mengembangkan bahasa komputer Prolog. Ted Shortliffe mendemonstrasikan kekuatan sistem berbasis aturan untuk representasi pengetahuan dan inferensi dalam diagnosa dan terapi medis yang kadangkala disebut sebagai sistem pakar pertama. Hans Moravec mengembangkan kendaraan terkendali komputer pertama untuk mengatasi jalan berintang yang kusut secara mandiri.
Pada tahun 1980-an, jaringan syaraf digunakan secara meluas dengan algoritma perambatan balik, pertama kali diterangkan oleh Paul John Werbos pada 1974. Tahun 1990-an ditandai perolehan besar dalam berbagai bidang AI dan demonstrasi berbagai macam aplikasi. Lebih khusus Deep Blue, sebuah komputer permainan catur, mengalahkan Garry Kasparov dalam sebuah pertandingan 6 game yang terkenal pada tahun 1997. DARPA menyatakan bahwa biaya yang disimpan melalui penerapan metode AI untuk unit penjadwalan dalam Perang Teluk pertama telah mengganti seluruh investasi dalam penelitian AI sejak tahun 1950 pada pemerintah AS.
Tantangan Hebat DARPA, yang dimulai pada 2004 dan berlanjut hingga hari ini, adalah sebuah pacuan untuk hadiah $2 juta dimana kendaraan dikemudikan sendiri tanpa komunikasi dengan manusia, menggunakan GPS, komputer dan susunan sensor yang canggih, melintasi beberapa ratus mil daerah gurun yang menantang.

Filosofi
Perdebatan tentang AI yang kuat dengan AI yang lemah masih menjadi topik hangat diantara filosof AI. Hal ini melibatkan filsafat pemikiran dan masalah pikiran-tubuh. Roger Penrose dalam bukunya The Emperor’s New Mind dan John Searle dengan eksperimen pemikiran “ruang China” berargumen bahwa kesadaran sejati tidak dapat dicapai oleh sistem logis formal, sementara Douglas Hofstadter dalam Gödel, Escher, Bach dan Daniel Dennett dalam Consciousness Explained memperlihatkan dukungannya atas fungsionalisme. Dalam pendapat banyak pendukung AI yang kuat, kesadaran buatan dianggap sebagai urat suci (holy grail) kecerdasan buatan.
Fiksi Sains
Dalam fiksi sains, AI umumnya dilukiskan sebagai kekuatan masa depan yang akan mencoba menggulingkan otoritas manusia seperti dalam HAL 9000, Skynet, Colossus and The Matrix atau sebagai penyerupaan manusia untuk memberikan layanan seperti C-3PO, Data, the Bicentennial Man, the Mechas dalam A.I. atau Sonny dalam I Robot. Sifat dominasi dunia AI yang tak dapat dielakkan, kadang-kadang disebut “the Singularity“, juga dibantah oleh beberapa penulis sains seperti Isaac Asimov, Vernor Vinge dan Kevin Warwick. Dalam pekerjaan seperti manga Ghost in the Shell-nya orang Jepang, keberadaan mesin cerdas mempersoalkan definisi hidup sebagai organisme lebih dari sekedar kategori entitas mandiri yang lebih luas, membangun konsep kecerdasan sistemik yang bergagasan. Lihat daftar komputer fiksional (list of fictional computers) dan daftar robot dan android fiksional (list of fictional robots and androids).
Seri televisi BBC Blake’s 7 menonjolkan sejumlah komputer cerdas, termasuk Zen (Blake’s 7), komputer kontrol pesawat bintang Liberator (Blake’s 7); Orac, superkomputer lanjut tingkat tinggi dalam kotak perspex portabel yang mempunyai kemampuan memikirkan dan bahkan memprediksikan masa depan; dan Slave, komputer pada pesawat bintang Scorpio.

Bidang Artificial Intellegence (AI)
AI terdiri dari bidang kerja sebagai berikut :
a. Persepsi
Penggunaan tampilan visual dan signal auditory untuk memberikan instruksi
kepada komputer dan peralatan lain seperti robot.
b. Belajar
Kemampuan komputer dan peralatan lain untuk mendapatkan pengetahuan,
selain apa yang telah dimasukkan ke dalam memorinya oleh pembuatnya.
c. Pemrograman otomatis.
Kemampuan komputer untuk mengkodeprogram dari instruksi yang diberikan
oleh pemakai dalam bahasa yang menyerupai percakapan sehari-hari.
Daya tarik expert sistem adalah dapat melakukan tugas pemecahan masalah dalam
porsi yang lebih besar dari pada yang dapat dilakukan oleh aplikasi komputer lain.

Lingkup Kecerdasan Buatan pada Aplikasi Komersial

Makin pesatnya perkembangan teknologi menyebabkan adanya perkembangan dan perluasan lingkup yang membutuhkan kehadiran kecerdasan buatan. Karakteristik ‘cerdas’ sudah mulai dibutuhkan di berbagai disiplin ilmu dan teknologi. Kecerdasan buatan tidak hanya dominan di bidang ilmu komputer (informatika), namun juga sudah merambah di berbagai disiplin ilmu yang lain. Irisan antara psikologi dan kecerdasan buatan melahirkan sebuah area yang dikenal dengan nama Cognition & Psycolinguistics. Irisan antara teknik elektro dengan kecerdasan buatan melahirkan berbagai ilmu seperti: pengolahan citra, teori kendali, pengenalan pola dan robotika.
Adanya irisan penggunaan kecerdasan buatan di berbagai disiplin ilmu tersebut menyebabkan cukup rumitya untuk mengklasifikasikan kecerdasan buatan menurut disiplin ilmu yang menggunakannya. Untuk memudahkan hal tersebut, maka pengklasifikasian lingkup kecerdasan buatan didasarkan pada output yang diberikan yaitu aplikasi komersial (meskipun sebenarnya kecerdasan buatan itu sendiri bukan merupakan medan komersial). Lingkup utama dalam kecerdasan buatan adalah:

1. Sistem Pakar (Expert System). Disini komputer digunakan sebagai sarana untuk menyimpan pengetahuan para pakar. Dengan demikian komputer akan memiliki keahlian untuk menyelesaikan permasalahan dengan meniru keahlian yang dimiliki oleh pakar.
2. Pengolahan Bahasa Alami (Natural Language Processing). Dengan pengolahan bahasa alami ini diharapkan user dapat berkomunikasi dengan komputer dengan menggunakan bahasa sehari-hari.
3. Pengenalan Ucapan (Speech Recognition). Melalui pengenalan ucapan diharapkan manusia dapat berkomunikasi dengan komputer dengan menggunakan suara.
4. Robotika & Sistem Sensor (Robotics & Sensory Systems).
5. Computer Vision, mencoba untuk dapat menginterpretasikan Gambar atau objek-objek tampak melalui komputer.
6. 6) Intelligent Computer-Aided Instruction. Komputer dapat digunakan sebagai tutor yang dapat melatih dan mengajar.
7. Game Playing.