Expert System : Inference Engine I

Inference Engine adalah bagian yang menyediakan mekanisme fungsi berfikir dan pola-pola penalaran sistem yang digunakan oleh seorang pakar.

• Mekanisme ini akan menganalisa masalah tertentu dan selanjutnya akan mencari jawaban atau kesimpulan yang terbaik.
• Mesin ini akan dimulai pelacakannya dengan mencocokan kaidah-kaidah dalam basis pengetahuan dengan fakta-fakta yang ada dalam basis data. Dari fakta-fakta yang diperoleh selama proses tanya-jawab dengan user, serta aturan-aturan yang tersimpan di knowledgebase, inference engine dapat menarik suatu kesimpulan dan memberikan rekomendasi atau saran yang diharapkan oleh user.

Macam - Macam Teknik Inference

Ada dua metode dasar yang bisa digunakan oleh mesin inferensi dalam mencari kesimpulan untuk mendapatkan solusi bagi permasalahan yang dihadapi sistem pakar, yaitu Forward Chaining dan Backward Chaining. Berikut ini penjelasan mengenai kedua metode pencarian tersebut (Yunanto, 2003) :

Sistem Berbasis Pengetahuan

1.      Skema Hukum Detasemen

pàq

p   

\q            

Contoh:

Jika air kotor, maka warnanya keruh

Air kotor

\ Warnanya keruh

Pembuktian:

p	q	p->q	(p->q)^p	((p->q)^p)->q
T	T	T	T	T
T	F	F	F	T
F	T	T	F	T
F	F	T	F	T

2.      Skema Hukum Kontrapositif

pàq         

\~q          à~p

Contoh:

Jika hujan lebat, maka Jakarta banjir

\ Jika Jakarta tidak banjir, maka hujan tidak lebat

Pembuktian:

p	q	~p	~q	p->q	~q->~p	(p->q)->(~q->~p)
T	T	F	F	T	T	T
T	F	F	T	F	F	T
F	T	T	F	T	T	T
F	F	T	T	T	T	T

3.      Skema Hukum Modus Tollens

pàq

~q                         

\ ~p

Contoh:

Jika ada sinyal, smartphone bisa internet-an

Smartphone tidak bisa internet-an

 

\ Tidak ada sinyal

Pembuktian :

p	q	~p	~q	p->q	(p->q)^~q	((p->q)^~q)->~p
T	T	F	F	T	F	T
T	F	F	T	F	F	T
F	T	T	F	T	F	T
F	F	T	T	T	T	T

Expert System: Knowledge Base III

Representasi Pengetahuan

Representasi pengetahuan merupakan kelanjutan dari proses akuisisi pengetahuan. Setelah pengetahuan berhasil disarikan dari pakar, maka selanjutnya yang dilakukan adalah merepresentasikan bentuk-bentuk pengetahuan tersebut menjadi bentuk yang dikenali oleh sistem (komputer).

Beberapa cara yang dapat digunakan untuk merepresentasikan bentuk ini antara lain jaringan semantik (semantic net), bingkai (frame), aturan produksi (production rule), logika (logic), bahasa natural (natural language), dan sistem basis data (database system).

Representasi pengetahuan dimaksudkan untuk menangkap sifat-sifat penting suatu pengetahuan agar dapat diakses dan digunakan dalam metode pemecahan masalah. Bahasa representasi haruslah mampu membuat seorang pemrogram mengekspresikan pengetahuan yang diperlukan untuk mendapatkan solusi permasalahan.

Representasi pengetahuan yang baik haruslah memiliki sifat-sifat berikut:

      ·         Mengemukakan hal secara eksplisit

      ·         Membuat masalah menjadi transparan

      ·         Komplit dan efisien

      ·         Menampilkan batasan-batasan alami yang ada

      ·         Menekan dan menghilangkan detil-detil yang diperlukan

      ·         Dapat dilakukan komputasi terhadapnya (memiliki batasan).

Representasi pengetahuan dikelompokkan ke dalam empat jenis, yaitu:

      ·         Representasi Logika

Representasi jenis ini menggunakan ekspresi-ekspresi logika formal dalam melakukan representasi.

      ·         Representasi Prosedural

Sementara jenis kedua ini menggambarkan pengetahuan sebagai kumpulan instruksi untuk memecahkan suatu problema.

      ·         Representasi Jaringan (Network)

Representasi ini menangkap pengetahuan sebagai suatu graf di mana simpul-simpulnya merupakan obyek atau konsep dari problema yang dihadapi, sementara garisnya (edge)  menggambarkan hubungan di antara mereka.

      ·         Representasi Terstruktur

Dalam representasi ini, jaringan diperluas dengan cara membuat tiap simpulnya menjadi sebuah struktur data kompleks.

Prinsip representasi pengetahuan adalah jika suatu permasalahan dideskripsikan dengan menggunakan representasi yang tepat, maka dapat dipastikan bahwa masalah tersebut dapat diselesaikan.

Expert System: Knowledge Base II

Basis Pengetahuan

Menurut Gondran (1986) dalam Utami (2002), basis pengetahuan merupakan representasi dari seorang pakar, yang kemudian dapat dimasukkan kedalam bahasa pemrograman khusus untuk kecerdasan buatan (misalnya PROLOG atau LISP) atau shell sistem pakar (misalnya EXSYS, PC-PLUS, CRYSTAL, dsb.)

Basis pengetahuan berisi pengetahuan-pengetahuan pakar berupa fakta-fakta, konsep, aturan, prosedur, dan hubungan di antaranya, yang telah direpresentasikan dalam bentuk yang dimengerti oleh sistem. Basis pengetahuan dibutuhkan untuk memahami, memformulasikan, dan memecahkan masalah yang dihadapi oleh sistem, di sini basis pengetahuan berfungsi sebagai sumber referensi untuk mengambil suatu tindakan. Semakin banyak pengetahuan yang dimiliki oleh suatu basis pengetahuan, maka sistem tersebut akan semakin mendekati sifat “cerdas”, dengan kata lain kemampuan sistem akan semakin mendekati kemampuan pakar.

Gambar 1. Basis Pengetahuan sebagai salah satu komponen Sistem Pakar.

Feigenbaum (1977) menyatakan bahwa kesuksesan dari suatu sistem pakar tidaklah bergantung pada kecanggihan strategi penalaran ataupun inferensinya, namun pada jumlah informasi yang dikandungnya mengenai bagaimana simbol-simbol diinterrelasikan, yaitu jumlah pengetahuan yang dimilikinya[4]. Prinsip ini adalah prinsip pengetahuan (knowledge principle), yang merupakan perluasan dari hipotesis simbol fisik (physical symbol hypothesis) dari Newell dan Simon (1981). Hipotesis simbol fisik menganggap bahwa pengetahuan terdiri dari simbol-simbol realitas dan relasi antara simbol-simbol ini, serta bahwa inteligensi adalah manipulasi logis yang sesuai terhadap simbol-simbol dan relasinya[5].

Expert System: Knowledge Base I

Knowledge pada Kecerdasan Buatan

Dalam lapangan sistem informasi, ada kebingungan dalam istilah data, informasi, dan knowledge

(pengetahuan).

Data

Istilah data mengacu pada string numeric (atau alphanumeric) yang tak memiliki arti apa-apa. Bisa

berupa fakta-fakta atau gambar yang akan diproses.

Information

Informasi adalah data yang terorganisasi sehingga memiliki arti bagi orang yang menerimanya.

Knowledge

Memiliki berbagai definisi, yaitu:

* Persepsi yang jelas dan pasti dari suatu hal.

* Pemahaman.

* Pembelajaran.

* Semua hal yang dipersepsikan atau dipegang teguh oleh hati.

* Pengalaman praktis, ketrampilan. Kemudahan pengaksesan atau mudah untuk dikenal.

* Cognizance; pengenalan.

* Informasi terorganisasi yang teraplikasi pada penyelesaian masalah.

Penggunaan Knowledge

Walaupun komputer tidak mempunyai pengalaman atau studi dan belajar seperti halnya

yang terjadi pada batin manusia, tapi komputer dapat menggunakan knowledge yang diberikan

oleh pakar manusia. Knowledge ini terdiri dari fakta, konsep, teori, metode heuristik, prosedur, dan

hubungan diantaranya. Knowledge juga merupakan informasi yang diorganisasi dan dianalisis untuk

membuatnya dimengerti dan dapat diaplikasikan dalam penyelesaian masalah atau pengambilan

keputusan. Koleksi dari knowledge yang berelasi ke suatu masalah (atau peluang) yang digunakan

dalam sistem AI disebut dengan knowledge base. Kebanyakan basis pengetahuan ini terbatas pada

fokus daerah subyek atau domainnya yang spesifik, malah biasanya sempit.

 Sekali basis pengetahuan dibangun, teknik AI dapat digunakan untuk menghasilkan

kemampuan inferensi pada komputer.

Basis-basis pengetahuan dan organisasi berbasis pengetahuan

Data, informasi, dan knowledge dapat diklasifikasikan berdasarkan derajat abstraksi dan

kuantitasnya.