�ݺ�ߣ

Universitas Muhammadiyah Sukabumi
Artikel Sistem Pakar

Oleh : Dewi Lestari

Pengertian Definisi SISTEM PAKAR

SISTEM PAKAR

A. Pendahuluan
Ketika hendak membuat suatu keputusan yang komplek atau memecahkan masalah, seringkali kita
meminta nasehat atau berkonsultasi dengan seorang pakar atau ahli. Seorang pakar adalah
seseorang yang mempunyai pengetahuan dan pengalaman spesifik dalam suatu bidang; misalnya
pakar komputer, pakar uji tak merusak, pakar politik dan lain-lain. Semakin tidak terstruktur situasinya,
semakin mengkhusus (dan mahal) konsultasi yang dibutuhkan.

Sistem Pakar (Expert System) adalah usaha untuk menirukan seorang pakar. Biasanya Sistem Pakar
berupa perangkat lunak pengambil keputusan yang mampu mencapai tingkat performa yang
sebanding seorang pakar dalam bidang problem yang khusus dan sempit. Ide dasarnya adalah:
kepakaran ditransfer dari seorang pakar (atau sumber kepakaran yang lain) ke komputer,
pengetahuan yang ada disimpan dalam komputer, dan pengguna dapat berkonsultasi pada komputer
itu untuk suatu nasehat, lalu komputer dapat mengambil inferensi (menyimpulkan, mendeduksi, dll.)
seperti layaknya seorang pakar, kemudian menjelaskannya ke pengguna tersebut, bila perlu dengan
alasan-alasannya. Sistem Pakar malahan terkadang lebih baik unjuk kerjanya daripada seorang pakar
manusia!

Kepakaran (expertise) adalah pengetahuan yang ekstensif (meluas) dan spesifik yang diperoleh
melalui rangkaian pelatihan, membaca, dan pengalaman. Pengetahuan membuat pakar dapat
mengambil keputusan secara lebih baik dan lebih cepat daripada non-pakar dalam memecahkan
problem yang kompleks. Kepakaran mempunyai sifat berjenjang, pakar top memiliki pengetahuan
lebih banyak daripada pakar yunior.
Tujuan Sistem Pakar adalah untuk mentransfer kepakaran dari seorang pakar ke komputer, kemudian
ke orang lain (yang bukan pakar). Proses ini tercakup dalam rekayasa pengetahuan (knowledge
engineering) yang akan dibahas kemudian.

B. Manfaat dan Keterbatasan Sistem Pakar
1. Manfaat Sistem Pakar
Mengapa Sistem Pakar menjadi sangat populer? Hal ini disebabkan oleh sangat banyaknya
kemampuan dan manfaat yang diberikan oleh Sistem Pakar, di antaranya:

a. Meningkatkan output dan produktivitas, karena Sistem Pakar dapat bekerja lebih cepat dari
manusia.
b. Meningkatkan kualitas, dengan memberi nasehat yang konsisten dan mengurangi kesalahan.
c. Mampu menangkap kepakaran yang sangat terbatas.
d. Dapat beroperasi di lingkungan yang berbahaya.
e. Memudahkan akses ke pengetahuan.
f. Handal. Sistem Pakar tidak pernah menjadi bosan dan kelelahan atau sakit. Sistem Pakar juga
secara konsisten melihat semua detil dan tidak akan melewatkan informasi yang relevan dan solusi
yang potensial.
g. Meningkatkan kapabilitas sistem terkomputerisasi yang lain. Integrasi Sistem Pakar dengan sistem
komputer lain membuat lebih efektif, dan mencakup lebih banyak aplikasi .
h. Mampu bekerja dengan informasi yang tidak lengkap atau tidak pasti. Berbeda dengan sistem
komputer konvensional, Sistem Pakar dapat bekerja dengan inofrmasi yang tidak lengkap. Pengguna
dapat merespon dengan: “tidak tahu” atau “tidak yakin” pada satu atau
lebih pertanyaan selama konsultasi, dan Sistem Pakar tetap akan memberikan jawabannya.
i. Mampu menyediakan pelatihan. Pengguna pemula yang bekerja dengan Sistem Pakar akan
menjadi lebih berpengalaman. Fasilitas penjelas dapat berfungsi sebagai guru.
j. Meningkatkan kemampuan problem solving, karena mengambil sumber pengetahuan dari banyak
pakar.
k. Meniadakan kebutuhan perangkat yang mahal.
l. Fleksibel.
2. Keterbatasan Sistem Pakar
Metodologi Sistem Pakar yang ada tidak selalu mudah, sederhana dan efektif. Berikut adalah
keterbatasan yang menghambat perkembangan Sistem Pakar:
a. Pengetahuan yang hendak diambil tidak selalu tersedia.
b. Kepakaran sangat sulit diekstrak dari manusia.
c. Pendekatan oleh setiap pakar untuk suatu situasi atau problem bisa berbeda-beda, meskipun

sama-sama benar.
d. Adalah sangat sulit bagi seorang pakar untuk mengabstraksi atau menjelaskan langkah mereka
dalam menangani masalah
e. Pengguna Sistem Pakar mempunyai batas kognitif alami, sehingga mungkin tidak bisa
memanfaatkan sistem secara maksimal.
f. Sistem Pakar bekerja baik untuk suatu bidang yang sempit.
g. Banyak pakar yang tidak mempunyai jalan untuk mencek apakah kesimpulan mereka benar dan
masuk akal.
h. Istilah dan jargon yang dipakai oleh pakar dalam mengekspresikan fakta seringkali terbatas dan
tidak mudah dimengerti oleh orang lain.
i. Pengembangan Sistem Pakar seringkali membutuhkan perekayasa pengetahuan (knowledge
engineer) yang langka dan mahal.
j. Kurangnya rasa percaya pengguna menghalangi pemakaian Sistem Pakar.
k. Transfer pengetahuan dapat bersifat subyektif dan bias.
C. Komponen Sistem Pakar
Secara umum, Sistem Pakar biasanya terdiri atas beberapa komponen yang masing-masing
berhubungan seperti terlihat pada Gambar II-1.
Basis Pengetahuan, berisi pengetahuan yang dibutuhkan untuk memahami, memformulasi, dan
memecahkan masalah. Basis pengetahuan tersusun atas 2 elemen dasar:
1. Fakta, misalnya: situasi, kondisi, dan kenyataan dari permasalahan yang ada, serta teori dalam
bidang itu
2. Aturan, yang mengarahkan penggunaan pengetahuan untuk memecahkan masalah yang spesifik
dalam bidang yang khusus
Mesin Inferensi (Inference Engine), merupakan otak dari Sistem Pakar. Juga dikenal sebagai
penerjemah aturan (rule interpreter). Komponen ini berupa program komputer yang menyediakan
suatu metodologi untuk memikirkan (reasoning) dan memformulasi kesimpulan. Kerja mesin inferensi
meliputi:
1. Menentukan aturan mana akan dipakai
2. Menyajikan pertanyaan kepada pemakai, ketika diperlukan.
3. Menambahkan jawaban ke dalam memori Sistem Pakar.
4. Menyimpulkan fakta baru dari sebuah aturan
5. Menambahkan fakta tadi ke dalam memori.

Gambar II-1. Struktur skematis sebuah Sistem Pakar
Papan Tulis (Blackboard/Workplace), adalah memori/lokasi untuk bekerja dan menyimpan hasil
sementara. Biasanya berupa sebuah basis data.
Antarmuka Pemakai (User Interface). Sistem Pakar mengatur komunikasi antara pengguna dan
komputer. Komunikasi ini paling baik berupa bahasa alami, biasanya disajikan dalam bentuk
tanya-jawab dan kadang ditampilkan dalam bentuk gambar/grafik. Antarmuka yang lebih canggih
dilengkapi dengan percakapan (voice communication).
Subsistem Penjelasan (Explanation Facility). Kemampuan untuk menjejak (tracing) bagaimana suatu
kesimpulan dapat diambil merupakan hal yang sangat penting untuk transfer pengetahuan dan
pemecahan masalah. Komponen subsistem penjelasan harus dapat menyediakannya yang secara
interaktif menjawab pertanyaan pengguna, misalnya:
1. “Mengapa pertanyaan tersebut anda tanyakan?”
2. “Seberapa yakin kesimpulan tersebut diambil?”
3. “Mengapa alternatif tersebut ditolak?”
4. “Apa yang akan dilakukan untuk mengambil suatu kesimpulan?”
5. “Fakta apalagi yang diperlukan untuk mengambil kesimpulan akhir?”

Sistem Penghalusan Pengetahuan (Knowledge Refining System). Seorang pakar mempunyai sistem
penghalusan pengetahuan, artinya, mereka bisa menganalisa sendiri performa mereka, belajar dari
pengalaman, serta meningkatkan pengetahuannya untuk konsultasi berikutnya. Pada Sistem Pakar,
swa-evaluasi ini penting sehingga dapat menganalisa alasan keberhasilan atau kegagalan
pengambilan kesimpulan, serta memperbaiki basis pengetahuannya.

D. Pembangunan Sebuah Sistem Pakar
Mengembangkan Sistem Pakar dapat dilakukan dengan 2 cara:
1. Membangun sendiri semua komponen di atas, atau
2. Memakai semua komponen yang sudah ada kecuali isi basis pengetahuan.
Yang kedua disebut sebagai membangun Sistem Pakar dengan shell, yakni semua komponen Sistem
Pakar, kecuali basis pengetahuan, bersifat generik; sehingga dapat dipakai untuk bidang yang
berlainan. Membangun Sistem Pakar dengan shell dapat dilakukan dengan lebih cepat dan lebih
sedikit keterampilan memprogram, namun berkurang fleksibilitasnya karena harus mengikuti
kemampuan dari shell tersebut. Salah satu shell Sistem Pakar yang populer dipakai adalah CLIPS (C
Language Integrated Production System) yang dapat didownload dari internet.

1. Pemilihan Masalah
Pembuatan Sistem Pakar membutuhkan waktu dan biaya yang banyak. Untuk menghindari kegagalan
yang memalukan dan kerugian yang besar, maka dibuat beberapa pedoman untuk menentukan
apakah Sistem Pakar cocok untuk memecahkan suatu problem:

a. Biaya yang diperlukan untuk pembangunan Sistem Pakar ditentukan oleh kebutuhan untuk
memperoleh solusi. Sehingga harus ada perhitungan yang realistis untuk cost and benefit.
b. Pakar manusia tidak mudah ditemui untuk semua situasi di mana dia dibutuhkan. Jika pakar
pengetahuan tersebut terdapat di mana saja dan kapan saja, maka pembangunan Sistem Pakar
menjadi kurang berharga.
c. Problem yang ada dapat diselesaikan dengan teknik penalaran simbolik, dan tidak membutuhkan

kemampuan fisik.
d. Problem tersebut harus terstruktur dengan baik dan tidak membutuhkan terlalu banyak
pengetahuan awam (common sense), yang terkenal sulit untuk diakuisisi dan dideskripsikan, dan lebih
banyak berhubungan dengan bidang yang teknis.
e. Problem tersebut tidak mudah diselesaikan dengan metode komputasi yang lebih tradisionil. Jika
ada penyelesaian algoritmis yang bagus untuk problem tersebut, maka kita tidak perlu memakai
Sistem Pakar.

f. Ada pakar yang mampu memberikan penjelasan tentang kepakarannya serta mau bekerjasama.
Adalah sangat penting bahwa pakar yang dihubungi benar-benar mempunyai kemauan kuat untuk ikut
berpartisipasi serta tidak merasa pekerjaannya akan menjadi terancam.

g. Problem tersebut mempunyai sekup yang tepat. Biasanya merupakan problem yang membutuhkan
kepakaran yang sangat khusus namun hanya membutuhkan seorang pakar untuk dapat
menyelesaikannya dalam waktu yang relatif singkat (misalnya paling lama 1 jam).

2. Rekayasa Pengetahuan (Knowledge Engineering)
Proses dalam rekayasa pengetahuan meliputi :
a. Akuisisi pengetahuan, yaitu bagaimana memperoleh pengetahuan dari pakar atau sumber lain
(sumber terdokumentasi, buku, sensor, file komputer, dll.).
b. Validasi pengetahuan, untuk menjaga kualitasnya misalnya dengan uji kasus.
c. Representasi pengetahuan, yaitu bagaimana mengorganisasi pengetahuan yang diperoleh,
mengkodekan dan menyimpannya dalam suatu basis pengetahuan.
d. Penyimpulan pengetahuan, menggunakan mesin inferensi yang mengakses basis pengetahuan
dan kemudian melakukan penyimpulan.
e. Transfer pengetahuan (penjelasan). Hasil inferensi berupa nasehat, rekomendasi, atau jawaban,
kemudian dijelaskan ke pengguna oleh subsistem penjelas.

3. Partisipan Dalam Proses Pengembangan
Pakar, yaitu seseorang yang mempunyai pengetahuan, pengalaman, dan metode khusus, serta
mampu menerapkannya untuk memecahkan masalah atau memberi nasehat. Pakar menyediakan
pengetahuan tentang bagaimana nantinya Sistem Pakar bekerja.

Perekayasa pengetahuan (knowledge engineer), yang membantu pakar untuk menyusun area
permasalahan dengan menerjemahkan dan mengintegrasikan jawaban pakar terhadap
pertanyaan-pertanyaan dari klien, menarik analogi, serta memberikan contoh-contoh yang
berlawanan, kemudian menyusun basis pengetahuan.

Pengguna, yang mungkin meliputi: seorang klien non-pakar yang sedang membutuhkan nasehat
(Sistem Pakar sebagai konsultan atau advisor), seorang siswa yang sedang belajar (Sistem Pakar
sebagai instruktur), seorang pembuat Sistem Pakar yang hendak meningkatkan basis pengetahuan
(Sistem Pakar sebagai partner), seorang pakar (Sistem Pakar sebagai kolega atau asisten, yang
dapat memberikan opini kedua).
Partisipan lain, dapat meliputi: pembangun sistem (system builder), tool builder, staf administrasi dsb.

4. Akuisisi Pengetahuan
Dalam proses akuisisi pengetahuan, seorang perekayasa pengetahuan menjembatani antara pakar
dengan basis pengetahuan. Perekayasa pengetahuan mendapatkan pengetahuan dari pakar,
mengolahnya bersama pakar tersebut, dan menaruhnya dalam basis pengetahuan, dengan format
tertentu. Pengambilan pengetahuan dari pakar dapat dilakukan secara (Gambar II-3):
Manual, di mana perekayasa pengetahuan mendapatkan pengetahuan dari pakar (melalui
wawancara) dan/atau sumber lain, kemudian mengkodekannya dalam basis pengetahuan. Proses ini
biasanya berlangsung lambat, mahal, serta kadangkala tidak akurat.

Semi-otomatik, di mana terdapat peran komputer untuk: (1) mendukung pakar dengan mengijinkannya
membangun basis pengetahuan tanpa (atau dengan sedikit) bantuan dari perekayasa pengetahuan,
atau (2) membantu perekayasa pengetahuan sehingga kerjanya menjadi lebih efisien dan efektif.

Otomatik, di mana peran pakar, perekayasa pengetahuan, dan pembangun basis pengetahuan
(system builder) digabung. Misalnya dapat dilakukan oleh seorang system analyst seperti pada
metode induksi.

E. Representasi Pengetahuan
Setelah pengetahuan berhasil diakuisisi, mereka harus diorganisasi dan diatur dalam suatu
konfigurasi dengan suatu format/representasi tertentu. Metode representasi pengetahuan yang
populer adalah aturan produk dan bingkai.

1. Aturan Produk (Production Rules)
Di sini pengetahuan disajikan dalam aturan-aturan yang berbentuk pasangan keadaan-aksi
(condition-action): “JIKA keadaan terpenuhi atau terjadi MAKA suatu aksi akan terjadi”.
Sistem Pakar yang basis pengetahuannya melulu disajikan dalam bentuk aturan produk disebut
sistem berbasis-aturan (rule-based system). Kondisi dapat terdiri atas banyak bagian, demikian pula
dengan aksi. Urutan keduanya juga dapat dipertukarkan letaknya. Contohnya:

a. JIKA suhu berada di bawah 20ºC MAKA udara terasa dingin.
b. Udara terasa dingin JIKA suhu berada di bawah 20ºC.
c. JIKA suhu berada di bawah 20ºC ATAU suhu berada di antara 20-25ºC DAN angin bertiup cukup

kencang MAKA udara terasa dingin.
d. Contoh dari MYCIN, Sistem Pakar untuk mendiagnosis dan merekomendasikan perlakuan yang
tepat untuk infeksi darah tertentu:

IF the infection is primary-bacteremia
AND the site of the culture is one of the sterile sites
AND the suspected portal of entry is the gastrointestinal tract
THEN there is suggestive evidence (0.7) that infection is bacteroid.
JIKA infeksi/peradangan adalah pimary-bacteremia
DAN lokasi kultur adalah salah satu [dari] lokasi yang steril
DAN pintu gerbang masukan yang dicurigai adalah bidang gastrointestinal
MAKA ada bukti sugestif ( 0.7) infeksi/peradangan itu adalah bacteroid
2. Bingkai (frame)
Bingkai adalah struktur data yang mengandung semua informasi/pengetahuan yang relevan dari
suatu obyek. Pengetahuan ini diorganisasi dalam struktur hirarkis khusus yang memungkinkan
pemrosesan pengetahuan. Bingkai merupakan aplikasi dari pemrograman berorientasi obyek dalam
AI dan Sistem Pakar. Pengetahuan dalam bingkai dibagi-bagi ke dalam slot atau atribut yang dapat
mendeskripsikan pengetahuan secara deklaratif ataupun prosedural. Contoh frame untuk
menggambarkan sebuah mobil diberikan dalam Gambar II-4 berikut ini.

F. Bagaimana Sistem Pakar Melakukan Inferensi?
1. Strategi penyelesaian konflik (conflict resolution strategy)
Strategi penyelesaian konflik dilakukan untuk memilih aturan yang akan diterapkan apabila terdapat
lebih dari 1 aturan yang cocok dengan fakta yang terdapat dalam memori kerja. Di antaranya adalah :
a. No duplication. Jangan memicu sebuah aturan dua kali menggunakan fakta/data yang sama, agar
tidak ada fakta yang ditambahkan ke memori kerja lebih dari sekali.
b. Recency. Pilih aturan yang menggunakan fakta yang paling baru dalam memori kerja. Hal ini akan
membuat sistem dapat melakukan penalaran dengan mengikuti rantai tunggal ketimbang selalu
menarik kesimpulan baru menggunakan fakta lama.

c. Specificity. Picu aturan dengan fakta prakondisi yang lebih spesifik (khusus) sebelum aturan yang
mengunakan prakondisi lebih umum. Contohnya: jika kita mempunyai aturan “JIKA (burung X)
MAKA TAMBAH (dapat_terbang X)” dan “JIKA (burung X) DAN (pinguin X) MAKA
TAMBAH (dapat_berenang X)” serta fakta bahwa tweety adalah seekor pinguin, maka lebih
baik memicu aturan kedua dan menarik kesimpulan bahwa tweety dapat berenang.

d. Operation priority. Pilih aturan dengan prioritas yang lebih tinggi. Misalnya ada fakta (bertemu
kambing), (ternak kambing), (bertemu macan), dan (binatang_buas macan), serta dua aturan:
“JIKA (bertemu X) DAN (ternak X) MAKA TAMBAH (memberi_makan X)” dan
“JIKA (bertemu X) DAN (binatang_buas X) MAKA TAMBAH (melarikan_diri)”, maka kita
akan memilih aturan kedua karena lebih tinggi prioritasnya.

2. Sistem Perantaian Maju (Forward Chaining Systems)
Pada sistem perantaian maju, fakta-fakta dalam dalam sistem disimpan dalam memori kerja dan
secara kontinyu diperbarui. Aturan dalam sistem merepresentasikan aksi-aksi yang harus diambil
apabila terdapat suatu kondisi khusus pada item-item dalam memori kerja, sering disebut aturan
kondisi-aksi. Kondisi biasanya berupa pola yang cocok dengan item yang ada di dalam memori kerja,
sementara aksi biasanya berupa penambahan atau penghapusan item dalam memori kerja.

Aktivitas sistem dilakukan berdasarkan siklus mengenal-beraksi (recognise-act). Mula-mula, sistem
mencari semua aturan yang kondisinya terdapat di memori kerja, kemudian memilih salah satunya
dan menjalankan aksi yang bersesuaian dengan aturan tersebut. Pemilihan aturan yang akan
dijalankan (fire) berdasarkan strategi tetap yang disebut strategi penyelesain konflik. Aksi tersebut
menghasilkan memori kerja baru, dan siklus diulangi lagi sampai tidak ada aturan yang dapat dipicu
(fire), atau goal (tujuan) yang dikehendaki sudah terpenuhi.

Sebagai contoh, lihat pada sekumpulan aturan sederhana berikut (Di sini kita memakai kata yang
diawali huruf kapital untuk menyatakan suatu variabel. Pada sistem lain, mungkin dipakai cara lain,
misalnya menggunakan awalan ? atau ^):

1. JIKA (mengajar X) DAN (mengoreksi_tugas X) MAKA TAMBAH (terlalu_banyak_bekerja X)
2. JIKA (bulan maret) MAKA TAMBAH (mengajar kuncoro)
3. JIKA (bulan maret) MAKA TAMBAH (mengoreksi_tugas kuncoro)
4. JIKA (terlalu_banyak_bekerja X) ATAU (kurang_tidur X) MAKA TAMBAH (mood_kurang_baik X)
5. JIKA (mood_kurang_baik X) MAKA HAPUS (bahagia X)
6. JIKA (mengajar X) MAKA HAPUS (meneliti X)

Kita asumsikan, pada awalnya kita mempunyai memori kerja yang berisi fakta berikut:

(bulan maret)
(bahagia kuncoro)
(meneliti kuncoro)

Sistem Pakar mula-mula akan memeriksa semua aturan yang ada untuk mengenali aturan manakah
yang dapat memicu aksi, dalam hal ini aturan 2 dan 3. Sistem kemudian memilih salah satu di antara
kedua aturan tersebut dengan strategi penyelesaian konflik. Katakanlah aturan 2 yang terpilih, maka
fakta (mengajar kuncoro) akan ditambahkan ke dalam memori kerja. Keadaan memori kerja sekarang

menjadi:
(mengajar kuncoro)
(bulan maret)
(bahagia kuncoro)
(meneliti kuncoro)
Sekarang siklus dimulai lagi, dan kali ini aturan 3 dan 6 yang kondisinya terpenuhi. Katakanlah aturan
3 yang terpilih dan terpicu, maka fakta (mengoreksi_tugas kuncoro) akan ditambahkan ke dalam
memori kerja. Lantas pada siklus ketiga, aturan 1 terpicu, sehingga variabel X akan berisi (bound to)
kuncoro, dan fakta (terlalu_banyak_bekerja kuncoro) ditambahkan, sehingga isi memori kerja menjadi:
(terlalu_banyak_bekerja kuncoro)
(mengoreksi_tugas kuncoro)
(mengajar kuncoro)
(bulan maret)
(bahagia kuncoro)
(meneliti kuncoro)
Aturan 4 dan 6 dapat diterapkan. Misalkan aturan 4 yang terpicu, sehingga fakta (mood_kurang_baik
kuncoro) ditambahkan. Pada siklus berikutnya, aturan 5 terpilih dan dipicu, sehingga fakta (bahagia
kuncoro) dihapus dari memori kerja. Kemudian aturan 6 akan terpicu dan fakta (meneliti kuncoro)
dihapus pula dari memori kerja menjadi:
(mood_kurang_baik kuncoro)
(terlalu_banyak_bekerja kuncoro)
(mengoreksi_tugas kuncoro)
(mengajar kuncoro)
(bulan maret)
Urutan aturan yang dipicu bisa jadi sangat vital, terutama di mana aturan-aturan yang ada dapat
mengakibatkan terhapusnya item dari memori kerja. Tinjau kasus berikut: andaikan terdapat
tambahan aturan pada kumpulan aturan di atas, yaitu:

7. JIKA (bahagia X) MAKA TAMBAH (memberi_nilai_bagus X)
Jika aturan 7 ini terpicu sebelum (bahagia kuncoro) dihapus dari memori, maka Sistem Pakar akan
berkesimpulan bahwa saya akan memberi nilai bagus. Namun jika aturan 5 terpicu dahulu, maka
aturan 7 tidak akan dijalankan (artinya saya tidak akan memberi nilai bagus).

3. Sistem Perantaian Balik (Backward Chaining Systems)
Sejauh ini kita telah melihat bagaimana sistem berbasis aturan dapat digunakan untuk menarik
kesimpulan baru dari data yang ada, menambah kesimpulan ini ke dalam memori kerja. Pendekatan
ini berguna ketika kita mengetahui semua fakta awalnya, namun tidak dapat menebak konklusi apa
yang bisa diambil. Jika kita tahu kesimpulan apa yang seharusnya, atau mempunyai beberapa
hipotesis yang spesifik, maka perantaian maju di atas menjadi tidak efisien. Sebagai contoh, jika kita
ingin mengetahui apakah saya dalam keadaan mempunyai mood yang baik sekarang, kemungkinan
kita akan berulangkali memicu aturan-aturan dan memperbarui memori kerja untuk mengambil
kesimpulan apa yang terjadi pada bulan Maret, atau apa yang terjadi jika saya mengajar, yang
sebenarnya tidak perlu terlalu kita ambil pusing. Dalam hal ini yang diperlukan adalah bagaimana
dapat menarik kesimpulan yang relevan dengan tujuan atau goal.

Hal ini dapat dikerjakan dengan perantaian balik dari pernyataan goal (atau hipotesis yang menarik
bagi kita). Jika diberikan sebuah goal yang hendak dibuktikan, maka mula-mula sistem akan
memeriksa apakah goal tersebut cocok dengan fakta-fakta awal yang dimiliki. Jika ya, maka goal
terbukti atau terpenuhi. Jika tidak, maka sistem akan mencari aturan-aturan yang konklusinya
(aksinya) cocok dengan goal. Salah satu aturan tersebut akan dipilih, dan sistem kemudian akan
mencoba membuktikan fakta-fakta prakondisi aturan tersebut menggunakan prosedur yang sama,
yaitu dengan menset prakondisi tersebut sebagai goal baru yang harus dibuktikan.

Perhatikan bahwa pada perantaian balik, sistem tidak perlu memperbarui memori kerja, namun perlu
untuk mencatat goal-goal apa saja yang dibuktikan untuk membuktikan goal utama (hipotesis).
Secara prinsip, kita dapat menggunakan aturan-aturan yang sama untuk perantaian maju dan balik.
Namun, dalam prakteknya, harus sedikit dimodifikasi. Pada perantaian balik, bagian MAKA dalam
aturan biasanya tidak diekspresikan sebagai suatu aksi untuk dijalankan (misalnya TAMBAH atau
HAPUS), tetapi suatu keadaan yang bernilai benar jika premisnya (bagian JIKA) bernilai benar. Jadi
aturan-aturan di atas diubah menjadi:
1. JIKA (mengajar X) DAN (mengoreksi_tugas X) MAKA (terlalu_banyak_bekerja X)
2. JIKA (bulan maret) MAKA (mengajar kuncoro)
3. JIKA (bulan maret) MAKA (mengoreksi_tugas kuncoro)
4. JIKA (terlalu_banyak_bekerja X) ATAU (kurang_tidur X) MAKA (mood_kurang_baik X)
5. JIKA (mood_kurang_baik X) MAKA TIDAK BENAR (bahagia X)
dengan fakta awal:
(bulan maret)
(meneliti kuncoro)

Misalkan kita hendak membuktikan apakah mood sedang kurang baik. Mula-mula kita periksa apakah
goal cocok dengan fakta awal. Ternyata tidak ada fakta awal yang menyatakan demikian, sehingga
langkah kedua yaitu mencari aturan mana yang mempunyai konklusi (mood_kurang_baik kuncoro).
Dalam hal ini aturan yang cocok adalah aturan 4 dengan variabel X diisi dengan (bound to) kuncoro.
Dengan demikian kita harus membuktikan bahwa prakondisi aturan ini, (terlalu_banyak_bekerja
kuncoro) atau (kurang_tidur kuncoro), salah satunya adalah benar (karena memakai ATAU). Lalu
diperiksa aturan mana yang dapat membuktikan bahwa adalah (terlalu_banyak_bekerja kuncoro)

benar, ternyata aturan 1, sehingga prakondisinya, (mengajar X) dan (mengoreksi_tugas X),
dua-duanya adalah benar (karena memakai DAN). Ternyata menurut aturan 2 dan 3, keduanya
bernilai bernilai benar jika (bulan maret) adalah benar. Karena ini sesuai dengan fakta awal, maka
keduanya bernilai benar. Karena semua goal sudah terpenuhi maka goal utama (hipotesis) bahwa
mood saya sedang kurang baik adalah benar (terpenuhi).

Untuk mencatat goal-goal yang harus dipenuhi/dibuktikan, dapat digunakan stack (tumpukan). Setiap
kali ada aturan yang konklusinya cocok dengan goal yang sedang dibuktikan, maka fakta-fakta
prakondisi dari aturan tersebut ditaruh (push) ke dalam stack sebagai goal baru. Dan setiap kali goal
pada tumpukan teratas terpenuhi atau dapat dibuktikan, maka goal tersebut diambil (pop) dari
tumpukan. Demikian seterusnya sampai tidak ada goal lagi di dalam stack, atau dengan kata lain goal
utama (yang terdapat pada tumpukan terbawah) sudah terpenuhi.

4. Pemilihan Sistem Inferensi
Secara umum kita dapat memakai panduan berikut untuk menentukan apakah kita hendak memilih
perantaian maju atau balik untuk Sistem Pakar yang kita bangun. Panduan tersebut tercantum dalam
Tabel II-1 berikut ini.

Tabel II-1. Panduan untuk memilih sistem inferensi

5. Ketidakpastian dalam Aturan
Sejauh ini kita menggunakan nilai kebenaran tegas dalam fakta dan aturan yang dipakai, misalnya:
jika terlalu banyak bekerja maka pasti mood kurang baik. Pada kenyataanya, seringkali kita tidak bisa
membuat aturan yang absolut untuk mengambil kesimpulan secara pasti, misalnya: jika terlalu banyak
bekerja maka kemungkinan besar mood kurang baik. Untuk itu, seringkali aturan yang dipakai
memiliki nilai kepastian (certainty value). Contohnya: jika terlalu banyak bekerja maka pasti mood
kurang baik (kepastian 0,75).
G. Contoh Aplikasi Sistem Pakar
1. Aplikasi Sederhana: Sistem Pakar Bengkel Mobil
Ini adalah contoh Sistem Pakar sederhana, yang bertujuan untuk mencari apa yang salah sehingga
mesin mobil pelanggan yang tidak mau hidup, dengan memberikan gejala-gejala yang teramati.
Anggap Sistem Pakar kita memiliki aturan-aturan berikut:
1. JIKA mesin_mendapatkan_bensin DAN starter_dapat_dihidupkan MAKA
ada_masalah_dengan_pengapian
2. JIKA TIDAK BENAR starter_dapat_dihidupkan DAN TIDAK BENAR lampu_menyala MAKA
ada_masalah_dengan_aki
3. JIKA TIDAK BENAR starter_dapat_dihidupkan DAN lampu_menyala MAKA
ada_masalah_dengan_starter
4. JIKA ada_bensin_dalam_tangki_bahan_bakar MAKA mesin_mendapatkan_bensin
Terdapat 3 masalah yang mungkin, yaitu: ada_masalah_dengan_pengapian,
ada_masalah_dengan_aki dan ada_masalah_dengan_starter. Dengan sistem terarah-tujuan
(goal-driven), kita hendak membuktikan keberadaan setiap masalah tadi.
Pertama, Sistem Pakar berusaha untuk membuktikan kebenaran ada_masalah_dengan_pengapian.
Di sini, aturan 1 dapat digunakan, sehingga Sistem Pakar akan menset goal baru untuk membuktikan
apakah mesin_mendapatkan_bensin serta starter_dapat_dihidupkan. Untuk membuktikannya, aturan
4 dapat digunakan, dengan goal baru untuk membuktikan mesin_mendapatkan_bensin. Karena tidak
ada aturan lain yang dapat digunakan menyimpulkannya, sedangkan sistem belum memperoleh
solusinya, maka Sistem Pakar kemudian bertanya kepada pelanggan: “Apakah ada bensin
dalam tangki bahan bakar?”. Sekarang, katakanlah jawaban klien adalah “Ya”,
jawaban ini kemudian dicatat, sehingga klien tidak akan ditanyai lagi dengan pertanyaan yang sama.

Nah, karena sistem sekarang sudah dapat membuktikan bahwa mesin mendapatkan bensin, maka
sistem sekarang berusaha mengetahui apakah starter_dapat_dihidupkan. Karena sistem belum tahu
mengenai hal ini, sementara tidak ada aturan lagi yang dapat menyimpulkannya, maka Sistem Pakar
bertanya lagi ke klien: “Apakah starter dapat dihidupkan?”. Misalkan jawabannya adalah
“Tidak”, maka tidak ada lagi aturan yang dapat membuktikan
ada_masalah_dengan_pengapian, sehingga Sistem Pakar berkesimpulan bahwa hal ini bukanlah
solusi dari problem yang ada, dan kemudian melihat hipotesis berikutnya: ada_masalah_dengan_aki.
Sudah diketahui (dibuktikan) bahwa mesin tidak dapat distarter, sehingga yang harus dibuktikan
adalah bahwa lampu tidak menyala. Sistem Pakar kemudian bertanya: “Apakah lampu
menyala?”. Misalkan jawabannya adalah “Tidak”, maka sudah terbukti bahwa
ada masalah dengan aki.

Sistem ini mungkin berhenti sampai di sini, tetapi biasanya ada kemungkinan terdapat lebih dari satu
solusi (misalnya terdapat lebih dari satu kerusakan), atau ada kemungkinan terdapat solusi lain yng
lebih tepat, sehingga biasanya semua hipotesis diperiksa kebenarannya. Sistem Pakar ini kemudian
mencoba membuktikan bahwa ada_masalah_dengan_starter, namun dari fakta yang sudah diperoleh,
yaitu lampu tidak menyala, maka pembuktiannya menjadi gagal. Dengan demikian solusi yang
diberikan oleh Sistem Pakar adalah ada masalah dengan aki.
Secara lengkap, interaksi antara Sistem Pakar dengan klien mungkin seperti ini:
System Pakar: Apakah ada bensin dalam tangki bahan bakar?
Klien: Ya
System Pakar: Apakah starter dapat dihidupkan?
Klien: Tidak
System Pakar: Apakah lampu menyala?
Klien: Tidak
System Pakar: Saya berkesimpulan bahwa ada masalah dengan aki
Fasilitas Penjelasan

Kebanyakan Sistem Pakar mempunyai fasilitas penjelasan yang mengijinkan klien untuk bertanya
mengapa dia diberi suatu pertanyaan atau bagaimana dapat mencapai suatu kesimpulan. Pertanyaan
dari klien tersebut dijawab dengan mengacu pada goal, aturan yang dipakai, dan data-data yang ada.
Contoh pemakaian fasilitas penjelas dalam Sistem Pakar di atas dapat dilihat pada percakapan
berikut:
System Pakar: Apakah ada bensin dalam tangki bahan bakar?
Klien: Ya
System Pakar: Apakah starter dapat dihidupkan?
Klien: Tidak
System Pakar: Apakah lampu menyala?
Klien: Mengapa?
System Pakar: Saya mencoba membuktikan bahwa ada masalah dengan aki. Sudah ditunjukkan
adalah tidak benar starter dapat dihidupkan. Sehingga jika tidak benar bahwa lampu menyala, maka
ada masalah dengan aki. Apakah lampu menyala?
Klien: Tidak
System Pakar: Saya berkesimpulan bahwa ada masalah dengan aki
Klien: Bagaimana bisa?
System Pakar: Hal ini sesuai dengan aturan no 2: JIKA TIDAK BENAR starter_dapat_dihidupkan DAN
TIDAK BENAR lampu_menyala MAKA ada_masalah_dengan_aki bahwa tidak benar
starter_dapat_dihidupkan sudah dijawab, bahwa tidak benar lampu_menyala sudah dijawab, sehingga
dapat disimpulkan bahwa ada_masalah_dengan_aki.

Fasilitas penjelasan berhubungan dengan pencatatan aturan apa saja yang digunakan untuk
mengambil kesimpulan, dan menggunakan catatan tersebut untuk menyusun penjelasan.
Pembangkitan penjelasan sederhana seperti contoh di atas bukanlah persoalan yang sulit, namun
pemahaman klien terhadap penjelasan tersebut tidaklah sama, sehingga seringkali klien tetap tidak
mengerti maksudnya. Hal ini karena biasanya penjelasan hanya meliputi pengetahuan yang dangkal
atau hanya permukaan saja sebagaimana tercantum dalam autran yang dipunyai, bukannya
pengetahuan yang mendalam yang mendasari aturan tersebut. Dalam contoh di atas, Sistem Pakar
hanya mengatakan bahwa hal ini sesuai dengan aturan no 2, tetapi tidak menjelaskan secara lebih
detil mengenai aturan 2 tersebut. Mungkin klien perlu diberi pengertian bahwa lampu dan starter
dua-duanya menggunakan aki untuk menyalakannya. Hal penting lain adalah ketika klien gagal
mengerti atau menerima penjelasan yang diberikan, biasanya Sistem Pakar tidak dapat memberi
penjelasan dengan cara lain (tidak begitu halnya dengan seorang pakar yang mampu menggunakan
kalimat yang lain untuk mencoba menjelaskannya).

2. Eliza
Eliza adalah salah satu Sistem Pakar yang paling awal dikembangkan. Ini adalah program komputer
terapis yang dibuat oleh Joseph Weizenbaum di MIT. Pengguna berkomunikasi dengannya
sebagaimana sedang berkonsultasi dengan seorang terapis. Berikut ini adalah contoh percakapan
antara Eliza dengan seorang klien:
Eliza: Hello. I am ELIZA. How can I help you?
Salam. Saya adalah ELIZA. Bagaimana saya dapat membantu kamu?
Klien: My name is Kuncoro.
Nama saya adalah Kuncoro.
Eliza: I have told you before, I do not care about names.
Saya sudah menceritakan kepada kamu sebelumnya, saya tidak peduli tentang nama.
Klien: I don’t have any money. That’s my problem.
Saya tidak mempunyai uang. Itu adalah masalah saya.
Eliza: Why do you say your problem?
Mangapa kamu katakan masalah mu?
Klien: Because you asked me.
Sebab kamu bertanya saya.
Eliza: Do any other reasons not come to mind?
Lakukan tanggapan-tanggapan lain yang tidak ada anda pikirkan?
Klien: No.
Tidak ada.
Eliza: You are being a bit negative.
Kamu sedang sedikit kurang baik.
Klien: Why?
Mengapa?
Eliza: Please go on.
Silahkan diteruskan.
Klien: OK. I am bankrupt.
OK. Saya sedang bangkrut.
Eliza: How long have you been bankrupt?
Berapa lama kamu telah bangkrut?
Klien: A year.
Satu tahun.
Eliza: Please go on.
Silahkan diteruskan.
Klien: So, what should I do?
Maka, apa yang sebaiknya saya lakukan?
Eliza: Does that question interest you?
Apakah pertanyaan itu menarik perhatian kamu?
Klien: Yes, how can I make big money?
Ya, bagaimana saya dapat memperoleh uang banyak?
Eliza: You are sure?

Kamu yakin?
Klien: Of course I’m sure.
Tentu saja Saya yakin.
... etc.
3. Parry
Parry adalah Sistem Pakar yang juga paling awal dikembangkan di Stanford University oleh seorang
psikiater, Kenneth Colby, yang mensimulasikan seorang paranoid. Berikut ini contoh respon Parry
terhadap pertanyaan seorang psikiater yang menginterviunya.
Psikiater: Why are you in the hospital?
Parry: I shouldn't be here.
Psikiater: Who brought you here?
Parry: The police.
Psikiater: What trouble did you have with the police?
Parry: Cops don't do their job.
Psikiater: What do they do instead?
Parry: Cops arrest the wrong people.
Psikiater: They arrest the right ones sometimes
Parry: The law should get those Italian crooks.
Psikiater: Are you Italian?
Parry: My background is British but I was born in this country.
Psikiater: Do you know any Italian crooks?
Parry: I try to avoid the underworld.
...

Read more:
http://lathzan.blogspot.com/2011/11/pengertian-definisi-sistem-pakar.html#ixzz1nm0qkcTF
Under Creative Commons License: Attribution Share Alike

�ݺ�ߣ

Berita

More Related Content

Berita