Teknik inferensi digunakan sistem pakar untuk menghasilkan informasi baru dari informasi yang diketahui. Proses inferensi dilakukan oleh mesin inferensi yang mengendalikan proses penalaran dengan aturan-aturan. Ada berbagai metode penalaran seperti deduktif, induktif, abduktif yang digunakan untuk mengambil kesimpulan.
Sistem pakar menggunakan penalaran maju untuk mengambil kesimpulan berdasarkan aturan dan fakta awal. Fakta awal A dan E digunakan untuk menyimpulkan F dan G secara berurutan, namun hipotesis K belum terbukti.
Dokumen tersebut membahas tentang sistem pakar dan pendukung keputusan (decision support system/DSS). Sistem pakar adalah sistem informasi yang mengandung pengetahuan dari pakar untuk digunakan dalam konsultasi, sedangkan DSS dibuat untuk membantu pengambilan keputusan manajer. Dokumen ini juga menjelaskan komponen utama sistem pakar dan DSS serta teknik representasi pengetahuan dan inferensi pada sistem pakar.
Dokumen tersebut membahas tentang sistem pakar khususnya forward chaining dan backward chaining. Forward chaining adalah pendekatan data-driven dimana inferensi dimulai dari fakta yang tersedia, sedangkan backward chaining adalah pendekatan goal-driven dimana inferensi dimulai dari tujuan yang diinginkan. Dokumen ini juga memberikan contoh kasus penerapan sistem pakar untuk konsultasi investasi.
Penerapan Metode Apriori Untuk Identifikasi Pola Data Transaksi Pada Customer...ferisulianta.com
油
Supermarket merpuakan tempat berbelanja dari seseorang terhadap suatu daerah masyarakat setempat. Dengan pelayanan yang maksimal untuk mengetahui pola data pembelian yang diberikan dan mengantisipasi persediaan bahan pokok didaerah tertentu agar tidak mengalami keterlambatan kesediaan barangt. Maka diperlukan pencarian pola atau hubungan Association rule (aturan asosiatif). Association rule merupakan salah satu teknik data mining yang sangat penting, dapat diartikan bahwa hubungan antara sejumlah item dengan menentukan nilai support dan confidence pada basis data, penting tidaknya aturan asosiasi dapat diketahui dengan nilai support atau nilai penunjang dan confidence (nilai kepastian) algoritma apriori menghitung seringnnya item-set yang muncul dalam database melalui beberapa iterasi, setiap iterasi tersebut memiliki dua tahapan yaitu menentukan kandidat dan menghitung kandidat. Tahap pertama pada iterasi pertama , himpunan yang dihasilkan dari kandidat item-set berisikan seluruh 1-item-set. Tahap kedua algoritma apriori menghitung support-nya melalui seluruh item-set dengan batas minimum tertentu saja yang dianggap sering muncul (frequent), sehingga dapat diketahui item-set yang sering muncul.. Penghapusan ini berdasarkan pengamatan yaitu apakah item-set tersebut sering muncul atau tidak. Dari hasil penelitian dengan menggunakan nilai minimum support dan minimum confident tertinggi akan membentuk nilai akhir, yaitu nilai paling besar yang melebihi batas minimal support dan confidence. Dalam penelitian ini dengan menggunakan kombinasi 2 item set dengan minimum support 2 dan minimum confidence 35 pada super market di daerah tebet selatan adalah jika pembeli membeli Telur dan daging giling maka pembeli akan membeli air mineral dengan Support 7,333% dan confidence 50,66%
Kata Kunci : super market, association rule, algoritma apriori
Ringkasan dokumen tersebut adalah: (1) Tahap analisis kebutuhan adalah tahap interaksi antara analis sistem dan pemakai untuk memahami kebutuhan sistem informasi yang ideal, (2) Beberapa metode yang digunakan adalah wawancara, kuesioner, observasi, analisis prosedur, dan studi dokumen, (3) Terdapat berbagai kendala seperti waktu, biaya, keahlian, teknologi, dan faktor eksternal yang memp
SIM 12, Restu Artma Prayoga, Hapzi Ali, Sistem Pendukung Pengambilan Keputusa...Restu Artma Prayoga
油
Penjelasan tentang Implementasi Sistem Pendukung Keputusan (SPK) atau Decision Support System (DSS) dalam mendukung pengambilan keputusan pada kegiatan bisnis
Penerapan Metode Apriori Untuk Identifikasi Pola Data Transaksi Pada Customer...ferisulianta.com
油
Supermarket merpuakan tempat berbelanja dari seseorang terhadap suatu daerah masyarakat setempat. Dengan pelayanan yang maksimal untuk mengetahui pola data pembelian yang diberikan dan mengantisipasi persediaan bahan pokok didaerah tertentu agar tidak mengalami keterlambatan kesediaan barangt. Maka diperlukan pencarian pola atau hubungan Association rule (aturan asosiatif). Association rule merupakan salah satu teknik data mining yang sangat penting, dapat diartikan bahwa hubungan antara sejumlah item dengan menentukan nilai support dan confidence pada basis data, penting tidaknya aturan asosiasi dapat diketahui dengan nilai support atau nilai penunjang dan confidence (nilai kepastian) algoritma apriori menghitung seringnnya item-set yang muncul dalam database melalui beberapa iterasi, setiap iterasi tersebut memiliki dua tahapan yaitu menentukan kandidat dan menghitung kandidat. Tahap pertama pada iterasi pertama , himpunan yang dihasilkan dari kandidat item-set berisikan seluruh 1-item-set. Tahap kedua algoritma apriori menghitung support-nya melalui seluruh item-set dengan batas minimum tertentu saja yang dianggap sering muncul (frequent), sehingga dapat diketahui item-set yang sering muncul.. Penghapusan ini berdasarkan pengamatan yaitu apakah item-set tersebut sering muncul atau tidak. Dari hasil penelitian dengan menggunakan nilai minimum support dan minimum confident tertinggi akan membentuk nilai akhir, yaitu nilai paling besar yang melebihi batas minimal support dan confidence. Dalam penelitian ini dengan menggunakan kombinasi 2 item set dengan minimum support 2 dan minimum confidence 35 pada super market di daerah tebet selatan adalah jika pembeli membeli Telur dan daging giling maka pembeli akan membeli air mineral dengan Support 7,333% dan confidence 50,66%
Kata Kunci : super market, association rule, algoritma apriori
Ringkasan dokumen tersebut adalah: (1) Tahap analisis kebutuhan adalah tahap interaksi antara analis sistem dan pemakai untuk memahami kebutuhan sistem informasi yang ideal, (2) Beberapa metode yang digunakan adalah wawancara, kuesioner, observasi, analisis prosedur, dan studi dokumen, (3) Terdapat berbagai kendala seperti waktu, biaya, keahlian, teknologi, dan faktor eksternal yang memp
SIM 12, Restu Artma Prayoga, Hapzi Ali, Sistem Pendukung Pengambilan Keputusa...Restu Artma Prayoga
油
Penjelasan tentang Implementasi Sistem Pendukung Keputusan (SPK) atau Decision Support System (DSS) dalam mendukung pengambilan keputusan pada kegiatan bisnis
2. APA ITU FORWARD CHAINING ?
Merupakan teknik penalaran yang biasa digunakan dalam pembuatan sistem
pakar.
Pelacakan ke depan yang memulai dari sekumpulan fakta-fakta dengan mencari
kaidah yang cocok dengan dugaan/hipotesa yang ada menuju kesimpulan.
Kadang disebut : data-driven karena inference engine menggunakan informasi
yang ditentukan oleh user untuk memindahkan ke seluruh jaringan dari logika
AND dan OR sampai sebuah terminal ditentukan sebagai objek. Bila inference
engine tidak dapat menentukan objek maka akan meminta informasi lain.
Aturan (Rule) di mana menentukan objek, membentuk path (lintasan) yang
mengarah ke objek. Oleh karena itu, hanya satu cara untuk mencapai satu objek
adalah memenuhi semua aturan.
4. TEKNIK DEPTH-FIRST SEARCH
Teknik penelusuran data pada node-node
secara vertical dan sudah terdefinisi, misalnya
kiri ke kanan.
Keuntungan adalah bahwa penelurusan
masalah dapat di gali secara mendalam sampai
di temukannya kapasitas suatu solusi yang
optimal.
Kekurangan adalah membutuhkan waktu yang
sangat lama untuk ruang lingkup masalah yang
besar.
5. TEKNIK BREADTH-FIRST SEARCH
Teknik penelusuran data pada semua node dalam
satu level atau salah satu tingkatan sebelum ke level
atau tingkatan di bawahnya.
Keuntungan adalah sama dengan depth first search,
hanya saja penelusuran dengan tehnik ini
mempunyai nilai tambah, dimana semua node akan
di cek secara menyeluruh pada setiap tingkatan
node.
Kekurangan adalah terletak pada waktu yang
dibutuhkan yang sangat lama apabila solusi berada
dalam posisi node terakhir sehingga menjadi tidak
efisien.
Kekurangan lainnya teknik penelusuran menjadi
tidak interaktif antara suatu topik dengan topik
yang lain atau harus melompat dari satu topik ke
topik yang lain sebelum topik tersebut selesai di
telusuri.
6. TEKNIK BEST-FIRST SEARCH
Teknik penelusuran yang menggunakan
pengetahuan akan suatu masalah untuk melakukan
panduan pencarian ke arah node tempat dimana
solusi berada
Pencarian jenis ini dikenal juga sebagai heuristic.
Pendekatan yang dilakukan adalah mencari solusi
yang terbaik berdasarkan pengetahuan yang
dimiliki sehingga penelusuran dapat ditentukan
harus di mulai dari mana dan bagaimana
menggunakan proses terbaik untuk mencari solusi.
Keuntungan jenis pencarian ini adalah mengurangi
beban komputasi karena hanya solusi yang
memberikan harapan saja yang diuji dan akan
berhenti apabila solusi sudah mendekati yang
terbaik.
Ini merupakan model yang menyerupai cara
manusia mengambil solusi yang dihasilkan
merupakan solusi yang mutlak benar.
7. FORWARD CHAINING (DATA DRIVEN)
Proses inferensi dimulai dari seperangkat data yang ada menuju ke kesimpulan.
Pada proses ini akan dilakukan pengecekan terhadap setiap rule untuk melihat
apakah data yang sedang diobservasi tersebut memenuhi premis dari rule
tersebut. Apabila memenuhi, maka rule akan dieksekusi untuk menghasilkan fakta
baru yang mungkin akan digunakan oleh rule yang lain.
Proses pengecekan rule ini disebut sebagai rule interpretation. Pada sistem
berbasis pengetahuan, rule interpretation (interpretasi rule) dilakukan oleh
inference engine.
9. PENGERTIAN SETIAP FUNGSI
1. Matching. pada step ini, setiap rule yang ada pada basis pengetahuan
dibandingkan dengan fakta-fakta yang diketahui untuk mencari rule mana yang
memenuhi (istilah memenuhi berarti: situasi, premis, atau antecedent bernilai
benar).
2. Conflict Resolution. Pada langkah pertama sangat mungkin dihasilkan suatu
kondisi dimana beberapa rule Conflict Resolution bertugas untuk mencari rule
mana yang memiliki prioritas tertinggi yang berpotensi untuk dieksekusi.
3. Execution / eksekusi (firing) dari rule. Proses ini menghasilkan dua
kemungkinan, yaitu: fakta baru diturunkan dan ditambahkah fact base atau rule
baru dihasilkan dan ditambahkan ke knowledge base.
10. Faktor-faktor yang mempengaruhi
pemilihan Forward Chaining
Banyaknya keadaan awal dan tujuan. Jika keadaan awal lebih kecil dari tujuan,
maka digunakan penalaran forward, jika tujuan lebih sedikit dari keadaan awal,
maka dipilih penalaran backward.
Bentuk kejadian yang akan memicu penyelesaian masalah. Jika kejadian berupa
fakta baru pilih forward. Jika kejadian berupa query pilih backward.
11. CARA KERJA FORWARD CHAINING
Data yang digunakan untuk menentukan aturan mana yang akan dijalankan,
kemudian aturan tersebut dijalankan.
Jika klausa premis (landasan berpikir / hipotesa / pernyataan) sesuai dengan situasi
(bernilai TRUE), maka proses akan meng-assert konklusi.
Forward Chaining adalah data driven karena inferensi dimulai dengan informasi
yang tersedia dan konklusi diperoleh.
Jika suatu aplikasi menghasilkan tree yang lebar dan tidak dalam, maka gunakan
Forward Chaining .
12. URUTAN LANGKAH FORWARD CHAINING
Tampilkan semua daftar premis.
User memilih premis (landasan berpikir / hipotesa / pernyataan) yang dialami.
Sistem mencari aturan yang premisnya terdiri dari premis-premis yang dipilih oleh
user.
Sistem akan menampilkan konklusi dari aturan tersebut.
13. Untuk mengetahui apakah suatu fakta
yang dialami pengguna itu termasuk
konklusi 1, konklusi 2, konklusi 3, atau
konklusi 4 atau bahkan bukan salah satu
dari konklusi tersebut.
User diminta memasukkan premis-premis
yang dialami.
Sistem dapat memunculkan daftar premis
yang "mungkin" sehingga user dapat
memberikan feedback premis mana yang
dialami dengan memilih satu atau
beberapa dari daftar premis yang tersedia.
Berdasarkan premis-premis yang dipilih
maka sistem akan mencari aturan yang
sesuai, sehingga akan diperoleh
konklusinya.
14. CONTOH KASUS FORWARD CHAINING
Misalkan diketahui sistem pakar menggunakan 5 buah rule sebagai berikut :
R1 : If (Y dan D) maka Z
R2 : If (X dan B dan E) makaY
R3 : If A maka X
R4 : If C maka L
R5 : If (L dan M) maka N
Fakta-fakta : A,B,C,D dan E bernilai benar.
Goal : menentukan apakah Z bernilai benar.
17. TAHAP 3
Setelah adaY dan D
maka sudah muncul
RULE 1, hasilnya Z benar.
Pencarian dihentikan
karena nilai sudah Z
ditemukan.
18. CONTOH KASUS
Sistem Pakar Penasihat Keuangan.
Kasus : Seorang user ingin berkonsultasi apakah tepat jika dia berinvestasi pada
saham Apple.inc ?
Variabel-variabel yang digunakan :
A : Memiliki uang $10.000 untuk investasi
B : Berusia < 30
C :Tingkat pendidikan pada level college
D : Pendapatan minimum pertahun $40.000
E : Investasi pada bidang sekuritas (Asuransi)
F : Investasi pada saham pertumbuhan (Growth Stock)
G : Investasi pada saham Apple.Inc
SetiapVariable dapat bernilaiTRUE atau FALSE
19. FAKTAYANG ADA :
Diasumsikan user (Investor) memiliki data :
Memiliki uang $10.000 (ATRUE)
Berusia 25 tahun (BTRUE)
Pertanyaan : apakah tepat jika berinvestasi pada Apple.Inc ?
20. RULES
R1 : IF seseorang memiliki uang $10.000 untuk berinvestasi AND dia
berpendidikan pada level college THEN dia harus berinvestasi pada bidang
sekuritas.
R2 : IF seseorang memiliki pendapatan per tahun min $40.000 AND dia
berpendidikan pada level college THEN dia harus berinvestasi pada saham
pertumbuhan (Growth Stocks).
R3 : IF seseorang berusia < 30 tahun AND dia berinvestasi pada bidang sekuritas
THEN dia sebaiknya berinvestasi pada saham pertumbuhan.
R4 : IF seseorang berusia < 30 tahun dan > 22 tahun THEN dia berpendidikan
college.
R5 : IF seseorang ingin berinvestasi pada saham pertumbuhan THEN saham yang
dipilih adalah saham Apple. Inc
21. UBAH RULE MENJADI LEBIH SIMPEL
R1 : If A and C,Then E.
R2 : If D and C,Then F.
R3 : If B and E,Then F.
R4 : If B,Then C.
R5 : If F,Then G.
FAKTA : A and B adalahTRUE