Dokumen tersebut membahas arsitektur sistem pakar yang terdiri atas dua bagian utama yaitu lingkungan pengembangan dan lingkungan konsultasi. Kemudian dibahas pula komponen-komponen penting sistem pakar seperti sistem akuisisi pengetahuan, basis pengetahuan, mesin inferensi, antarmuka pengguna, pengguna, ruang kerja, dan subsistem penjelasan.
2. Eka Dyar W eka.dyar@yahoo.com
Arsitektur Sistem Pakar
2 bagian yg membangun struktur sistem pakar yaitu
(Turban,1995):
Development Environment (Lingkungan Pengembangan)
digunakan sebagai pembangun sistem pakar baik dari segi
pembangun komponen maupun basis pengetahuan
Consultation (run time) Environment (Lingkungan Konsultasi)
digunakan oleh seseorang yang bukan ahli untuk
berkonsultasi (end user)
4. Eka Dyar W eka.dyar@yahoo.com
Cont’d
Komponen yang secara umum ada pada
struktur detail sistem pakar
1. Knowledge Aqcuisition System
2. Knowledge Base
3. Inference engine
4. User Interface
5. User
6. Workspace (Blackboard)
7. Explanation Subsystem
5. Eka Dyar W eka.dyar@yahoo.com
1. Knowledge Aqcuisition System
(Subsistem penambahan pengetahuan)
Bagian ini digunakan untuk memasukkan
pengetahuan, mengkonstruksi atau memperluas
pengetahuan dalam basis pengetahuan dan
terkadang ke dalam inference engine.
6. Eka Dyar W eka.dyar@yahoo.com
Cont’d
Pengetahuan itu bisa berasal dari:
terdokumentasikan (buku, manual, dll)
tidak terdokumentasikan (orang, mesin, dll)
databases
internet
7. Eka Dyar W eka.dyar@yahoo.com
Cont’d (metode manual dari knowledge
acquisition)
Elicitation
Knowledge
base
Documented
knowledge
Experts
Coding
Knowledge
engineer
8. Eka Dyar W eka.dyar@yahoo.com
2. Knowledge Base (basis pengetahuan)
Berisi pengetahuan-pengetahuan yang dibutuhkan untuk
memahami, memformulasikan dan menyelesaikan
masalah
Bagian dari sistem pakar yang berisi domain
pengetahuan
Terdiri dari 2 elemen dasar:
Rules, yang langsung menggunakan pengetahuan
untuk menyelesaikan masalah khusus.
Fakta, situasi masalah dan teori yang terkait
9. Eka Dyar W eka.dyar@yahoo.com
Cont’d
Pendekatan basis pengetahuan yang sangat
umum digunakan :
Penalaran berbasis aturan (rule based
reasoning)
Penalaran berbasis kasus (case based
reasoning)
10. Eka Dyar W eka.dyar@yahoo.com
Cont’d (rule based reasoning)
Pengetahuan direpresentasikan dalam suatu
bentuk fakta (facts) dan aturan (rules)
Bentuk representasi ini terdiri atas premise dan
kesimpulan
direpresentasikan dengan menggunakan aturan
berbentuk: IF-THEN
11. Eka Dyar W eka.dyar@yahoo.com
Cont’d (case based reasoning)
Pengetahuan direpresentasikan dalam bentuk
kesimpulan kasus (cases)
basis pengetahuan akan berisi solusi-solusi
yang telah dicapai sebelumnya, kemudian akan
diturunkan suatu solusi untuk keadaan yang
terjadi sekarang (fakta yang ada)
12. Eka Dyar W eka.dyar@yahoo.com
3. Inference engine (Motor Inferensi)
Komponen yang menjadi otak sistem pakar.
Mengandung mekanisme fungsi berpikir dan
pola-pola penalaran sistem
Bagian inilah yang berfungsi melakukan
penalaran dan pengambilan kesimpulan.
13. Eka Dyar W eka.dyar@yahoo.com
Cont’d
3 elemen utama dalam motor inferensi, yaitu :
Interpreter : mengeksekusi item-item agenda yang
terpilih dengan menggunakan aturan-aturan dalam
basis pengetahuan yang sesuai.
Scheduler : akan mengontrol agenda
Consistency enforcer : akan berusaha memelihara
kekonsistenan dalam merepresentasikan solusi yang
bersifat darurat
14. Eka Dyar W eka.dyar@yahoo.com
Cont’d
Mesin inferensi memilih pengetahuan yang relevan
dalam rangka mencapai kesimpulan, shg dapat
menjawab pertanyaan pemakai meskipun jawaban
tersebut tidak tersimpulkan secara eksplisit di dalam
basis pengetahuan.
Pelacakan dimulai dengan mencocokan kaidah-
kaidah dalam basis pengetahuan dengan fakta-fakta
yang ada dalam basis data.
15. Eka Dyar W eka.dyar@yahoo.com
Cont’d (Teknik inferensi)
Forward Chaining (data driven)
Pelacakan dimulai dari informasi masukan
dan selanjutnya mencoba menggambarkan
kesimpulan
Pelacakan ke depan mencari fakta yang
sesuai dengan bagian IF dari aturan IF-THEN
16. Eka Dyar W eka.dyar@yahoo.com
Cont’d
Kesimpulan 1
Kesimpulan 4
Kesimpulan 2
Kesimpulan 3
Kaidah C
Kaidah D
Fakta 1
Kaidah E
Fakta 3
Fakta 2
Kaidah B
Kaidah AObservasi 1
Observasi 2
17. Eka Dyar W eka.dyar@yahoo.com
Cont’d
Backward Chaining (goal driven)
Pelacakan dimulai dari tujuan, selanjutnya
dicari aturan yang memiliki tujuan tersebut
untuk kesimpulannya. Selanjutnya proses
pelacakan mengg. premis untuk aturan tsb
sbg tujuan baru dan mencari aturan lain dgn
tujuan baru sbg kesimpulannya
18. Eka Dyar W eka.dyar@yahoo.com
Cont’d
Observasi 1
Observasi 4
Observasi 2
Observasi 3
Kaidah A
Kaidah B
Fakta 1
Kaidah C Fakta 3
Fakta 2
Kaidah E
Kaidah D
Tujuan
19. Eka Dyar W eka.dyar@yahoo.com
Cont’d
Metode inferensi tersebut dipengaruhi oleh
tiga macam penelusuran, yaitu Depth-first
search, Breadth-first search dan Best-first
search
20. Eka Dyar W eka.dyar@yahoo.com
Breadth-first search
Pencarian dimulai dari simpul akar terus ke
level 1 dari kiri ke kanan dalam 1 level
sebelum berpindah ke level berikutnya.
22. Eka Dyar W eka.dyar@yahoo.com
Cont’d
Keuntungan BFS:
Breadth first search tidak akan menemui jalan buntu.
Jika ada 1 solusi maka breadth first search akan
menemukannya. Jika terdapat lebih dari 1 solusi, maka
solusi minimum akan ditemukan.
Kelemahan BFS:
Membutuhkan memori yang cukup besar, karena
menyimpan semua simpul dalam suatu pohon.
Membutuhkan waktu yang cukup lama, karena akan
menguji n level untuk mendapatkan solusi pada level
yang ke-(n+1).
23. Eka Dyar W eka.dyar@yahoo.com
Cont’d (Depth-first search)
Pencarian dimulai dari simpul akar ke level yang
lebih tinggi. Proses ini dilakukan terus hingga
solusinya ditemukan atau jika menemui jalan
buntu
25. Eka Dyar W eka.dyar@yahoo.com
Cont’d
Keuntungan DFS :
Membutuhkan memori yang cukup kecil, karena hanya
simpul-simpul pada lintasan yang aktif saja yang disimpan.
Secara kebetulan, pencarian mendalam pertama mungkin
dapat menemukan suatu solusi tanpa harus menguji lebih
banyak lagi dalam ruang keadaan.
Kelemahan DFS:
Metode depth first search memungkinkan tidak
ditemukannya tujuan yang diharapkan.
Hanya akan mendapatkan 1 solusi pada setiap pencarian
26. Eka Dyar W eka.dyar@yahoo.com
Cont’d
Best-first search, bekerja berdasarkan
kombinasi kedua metode sebelumnya
27. Eka Dyar W eka.dyar@yahoo.com
Cont’d
menggunakan pelacakan ke depan atau pelacakan ke
belakang, semuanya bergantung masalah yang akan
dibuat sistem pakarnya
Untuk sebuah sistem pakar yang besar, dengan jumlah
rule yang relatif banyak, metode pelacakan ke depan
akan dirasakan sangat lamban dalam pengambilan
kesimpulan, sehingga untuk sistem-sistem yang besar
digunakan metode pelacakan ke belakang.
28. Eka Dyar W eka.dyar@yahoo.com
4. User Interface (Antarmuka)
digunakan
untuk
media
komunikasi
antara
user dan
program
29. Eka Dyar W eka.dyar@yahoo.com
Cont’d (Screen design)
Question and answer
Menus
Hierarchical
Pull-down (Pop-up)
Icon
Windows
30. Eka Dyar W eka.dyar@yahoo.com
5. User
Tipe user seperti yang telah dijelaskan pada
Pertemuan 2
31. Eka Dyar W eka.dyar@yahoo.com
6. Workspace
Merupakan area dalam memori yang digunakan untuk
merekam kejadian yang sedang berlangsung termasuk
keputusan sementara. Ada 3 tipe keputusan yang dapat
direkam yaitu :
Rencana : bagaimana menghadapi masalah
Agenda : aksi-aksi yang potensial yang sedang
menunggu untuk dieksekusi
Solusi : calon aksi yang akan dibangkitkan
32. Eka Dyar W eka.dyar@yahoo.com
7. Explanation Subsystem
(Subsistem penjelasan)
Merupakan komponen yang berfungsi untuk
memberikan penjelasan kepada pemakai yang
memintanya
Menyediakan informasi tambahan mengapa atau dari
mana sebuah solusi diperoleh
33. Eka Dyar W eka.dyar@yahoo.com
Cont’d
Memiliki kemampuan untuk menelusuri konklusi
dan menerangkan tingkah laku Sistem Pakar
dengan menjawab pertanyaan-pertanyaan
seperti:
Mengapa pertanyaan tersebut diajukan
oleh Sistem Pakar ?
Bagaimana atau darimana konklusi
tersebut diperoleh?
Mengapa alternatif tersebut ditolak?
34. Eka Dyar W eka.dyar@yahoo.com
Cont’d
Pada sistem pakar
berbasis rule, biasanya
penjelasan ini dilakukan
dengan cara
memperlihatkan rule-
rule yang digunakan.
35. Eka Dyar W eka.dyar@yahoo.com
Perbaikan
Sistem ini digunakan untuk mengevaluasi kinerja
sistem pakar itu sendiri untuk melihat apakah
pengetahuan-pengetahuan yang ada masih
cocok untuk digunakan di masa mendatang