Upload
printer
View
228
Download
0
Embed Size (px)
DESCRIPTION
semua udah jelas :)
Citation preview
BAB 2
TINJAUAN PUSTAKA
2.1 Artificial Intelligence
Selama abad ke-20, sejumlah definisi Artificial Intelligence (AI)
diajukan. Salah satu definisi awal AI yang masih populer adalah: "membuat
komputer berpikir seperti manusia", terbukti dari banyaknya jumlah film fiksi
ilmiah yang mempromosikan pandangan ini (Giarratano & Riley, 2005: 1).
Selain itu, menurut Rich & Knight (2009: 3) Artificial Intelligence
(AI) adalah suatu studi tentang bagaimana membuat komputer dapat
melakukan hal-hal yang mana, pada saat ini, manusia lebih baik. Sedangkan
menurut Russell & Norvig (2010: 1), bidang kecerdasan buatan (artificial
intelligence) atau AI, bukan hanya untuk memahami sesuatu tetapi juga untuk
membangun entitas kecerdasan.
Pada tabel 2.1 (Russell & Norvig, 2010: 2) terdapat delapan definisi
AI, yang dikelompokkan menjadi empat bagian. Definisi bagian atas terfokus
pada proses pemikiran dan penalaran, sedangkan pada bagian bawah
berhubungan dengan perilaku. Definisi yang terdapat pada bagian kiri
menentukan keberhasilan dalam keteraturan kinerja manusia, sedangkan pada
bagian kanan menentukan ukuran kinerja yang ideal, yang disebut dengan
rasional.
Suatu sistem disebut rasional jika sistem tersebut melakukan “hal
yang benar”, sesuai dengan yang diketahuinya. Pendekatan yang berpusat
pada manusia atau pendekatan manusiawi merupakan bagian dari ilmu
empiris, yang melibatkan pengamatan dan hipotesis tentang perilaku
manusia. Pendekatan rasionalis melibatkan kombinasi metematika dan teknik.
(Russell & Norvig, 2010: 2).
8
9
Tabel 2.1 Kategori Definisi Artificial Intelligence (Russell &
Norvig, 2010: 2)
Berpikir manusiawi
“Upaya baru yang menarik untuk
membuat komputer berpikir. . .
mesin dengan pikiran, secara
penuh dan harfiah." (Haugeland,
1985)
"[Otomatisasi] kegiatan yang
dikaitkan dengan pemikiran
manusia, kegiatan seperti
pengambilan keputusan,
pemecahan masalah,
pembelajaran..." (Bellman, 1978)
Berpikir rasional
"Studi tentang kemampuan
mental melalui penggunaan
model komputasi." (Charniak
dan McDermott, 1985)
"Studi tentang perhitungan
yang memungkinkan untuk
persepsi, penalaran dan
pengambilan tindakan."
(Winston, 1992)
Bertindak manusiawi
"Seni menciptakan mesin yang
dapat melakukan fungsi yang
membutuhkan kecerdasan ketika
digunakan oleh manusia."
(Kurzweil, 1990)
"Studi tentang bagaimana
membuat komputer dapat
melakukan hal-hal yang mana,
pada saat ini, manusia lebih baik."
(Rich dan Knight, 1991)
Bertindak rasional
"Computational Intelligence
mempelajari desain
intelligent agents." (Poole et
al., 1998)
"AI. . . terfokus pada
perilaku kecerdasan pada
artefak. "(Nilsson, 1998)
Menurut Giarratano dan Riley (2005: 5) sementara AI pada awalnya
didefinisikan sebagai cabang dari Computer Science di abad ke-20, sekarang
ini menjadi disiplin ilmu yang berdiri sendiri yang terdiri dari berbagai
bidang seperti ilmu komputer, psikologi, biologi, neuroscience, dan banyak
lainnya. Gambar 2.1 menunjukkan beberapa bidang yang diminati dalam AI.
Bidang sistem pakar merupakan solusi pendekatan yang sangat baik untuk
metode klasik.
10
Gambar 2.1 Beberapa Area dalam Artificial Intelligence (Giarratano
dan Riley, 2005: 5)
2.2 Sistem Pakar
Menurut Giarratano & Riley (2005: 5) Professor Edward Feigenbaunn
dari Universitas Stanford, seorang ahli terdahulu teknologi sistem pakar
mendefinisikan sebagai program komputer cerdas yang menggunakan
pengetahuan dan prosedur pendugaan untuk memecahkan masalah yang
cukup sulit dimana membutuhkan seorang pakar untuk mendapatkan solusi
yang signifikan.
Giarratano & Riley (2005: 5) juga mengatakan bahwa yang dapat
disebut sebagai pakar adalah seseorang yang memiliki pengetahuan atau
keterampilan khusus yang tidak diketahui atau dimiliki oleh kebanyakan
orang. Seorang pakar dapat memecahkan masalah yang kebanyakan orang
tidak dapat memecahkan atau menyelesaikannya lebih efisien (tetapi tidak
dengan mudahnya).
Gambar 2.2 menggambarkan konsep dasar dari sebuah knowledge-
based sistem pakar (Giarratano dan Riley, 2005: 6). Pengguna memberikan
fakta atau informasi lain untuk sistem pakar dan menerima anjuran pakar atau
kepakaran dalam merespon. Secara internal, sistem pakar terdiri dari dua
11
komponen utama. Basis pengetahuan (knowledge-base) yang mengandung
pengetahuan yang digunakan mesin inferensi (infence engine) untuk menarik
kesimpulan. Kesimpulan ini merupakan respon dari sistem pakar terhadap
masukan dari pengguna untuk jawaban pakar.
Gambar 2.2 Konsep Dasar dari Fungsi Sistem Pakar (Giarratano dan
Riley, 2005: 6)
Giarratano & Riley (2005: 6) menyatakan bahwa pengetahuan
seorang pakar spesifik terhadap satu domain masalah (problem domain) yang
bertentangan dengan teknik pemecahan masalah umum. Sebuah domain
masalah (problem domain) merupakan bidang masalah khusus seperti
kedokteran, keuangan, ilmu pengetahuan, atau teknik yang dapat diselesaikan
oleh pakar dengan sangat baik.
Sistem pakar, seperti pakar manusia, umumnya dirancang untuk
menjadi pakar dalam satu domain masalah. Pengetahuan pakar untuk
memecahkan masalah tertentu disebut domain pengetahuan (knowledge
domain) pakar. Gambar 2.3 menggambarkan hubungan antara masalah dan
domain pengetahuan. Bagian luar domain pengetahuan (knowledge domain)
melambangkan area dimana tidak ada pengetahuan tentang semua masalah di
dalam domain masalah (problem domain) (Giarratano & Riley, 2005: 6-7).
Giarratano & Riley (2005: 7) melanjutkan bahwa di dalam domain
pengetahuan yang diketahui, sistem pakar melakukan penalaran atau
membuat inferensi dengan cara yang sama seperti pakar manusia melakukan
12
penalaran atau menyimpulkan solusi dari suatu masalah. Dalam hal ini,
diberikan beberapa fakta, yang logis, yang menghasilkan sebuah simpulan
dugaan berikut dengan alasannya.
Gambar 2.3 Hubungan Kemungkinan Masalah dengan Domain
Pengetahuan (Giarratano dan Riley, 2005: 7)
2.3 Backward ChainingMenurut Giarratano & Riley (2005: 167) kumpulan dari serangkaian
dugaan yang menghubungkan suatu masalah dengan solusinya disebut rantai.
Rantai yang dilalui dari hipotesis kembali ke fakta (facts) yang mendukung
hipotesis tersebut disebut backward chaining. Cara lainnya untuk
mendeskripsikan backward chaining adalah dalam hal sebuah tujuan yang
dapat dicapai dengan subgoal yang memuaskan.
Giarratano & Riley (2005: 168-169) mengatakan bahwa masalah
utama dari backward chaining adalah menemukan rantai yang
menghubungkan bukti ke hipotesis. Dalam backward chaining, penjelasan
difasilitasi karena sistem dapat dengan mudah menjelaskan secara tepat
tujuan apa yang ingin dicapai. Berikut adalah beberapa karakteristik umum
backward chaining. Sebagai catatan, karakter ini hanya berfungsi sebagai
pedoman :
Diagnosa
13
Present to past
Consequent to antecedent
Goal driven, top – down reasoning
Work backward to find facts that support the hypothesis
Depth – first search facilitated
Consequents determine search
Explanation facilitated
Giarratano & Riley (2005: 169-170) mengatakan pada dasarnya,
konsep yang lebih tinggi yang terdiri atas konsep yang lebih rendah
diletakkan di atas. Jadi pemikiran dari konsep yang lebih tinggi seperti
hipotesis turun ke fakta yang lebih rendah yang mendukung hipotesis disebut
sebagai top – down reasoning atau backward chaining.
Gambar 2.4 Backward Chaining (Giarratano dan Riley, 2005:171)
14
Giarratano & Riley (2005: 170) menjelaskan konsep di atas bahwa
untuk membuktikan atau menyangkal hipotesis H, setidaknya salah satu
hipotesis di tengah, H1, H2, atau H3 harus terbukti. Dapat dilihat bahwa
diagram di atas digambarkan sebagai AND – OR tree untuk menunjukkan
bahwa dalam beberapa kasus, seperti H2, semua hipotesis di bawahnya harus
terpenuhi untuk mendukung hipotesis H2. Pada kasus lainnya, seperti
hipotesis paling atas, H, hanya membutuhkan satu hipotesis dibawahnya.
Dalam backward chaining, sistem pada umumnya akan mendapatkan bukti
dari pengguna untuk membantu dalam membuktikan atau menyangkal
hipotesis.
Giarratano & Riley (2005: 170-171) mengatakan satu aspek penting
dalam mendapatkan bukti adalah dengan menanyakan pertanyaan yang tepat.
Pertanyaan yang tepat adalah pertanyaan yang meningkatkan efisensi dalam
menentukan jawaban yang benar. Satu kebutuhan yang pasti adalah sistem
pakar hanya dapat menanyakan pertanyaan yang berhubungan dengan
hipotesis yang hendak dibuktikan. Walaupun mungkin terdapat ratusan atau
ribuan pertanyaan yang dapat ditanyakan sistem, terdapat kerugian waktu dan
uang untuk memperoleh bukti untuk menjawab pertanyaan tersebut. Selain
itu, mengakumulasikan bukti jenis tertentu seperti hasil tes kesehatan dapat
menyebabkan ketidaknyamanan dan mungkin berbahaya bagi pasien.
Menurut Giarratano & Riley (2005: 171-172), berikut ini adalah
struktur yang baik dari backward chaining. Backward chaining memfasilitasi
depth – first search. Pohon (tree) yang baik untuk depth – first search adalah
sempit dan dalam.
15
Gambar 2.5 Penerapan Struktur yang Baik dari Backward Chaining
(Giarratano dan Riley, 2005: 172)
Giarratano & Riley (2005: 171-172) mengatakan struktur dari rules
menentukan pencarian untuk solusi. Aktifasi suatu rule bergantung pada pola
rule yang dirancang agar sesuai. Pola pada LHS (Left Hand Side)
menentukan apakah rule dapat diaktivasi oleh fakta (facts). Aksi pada RHS
(Right Hand Side) menentukan fakta yang ditegaskan dan dihapus sehingga
mempengaruhi rules lainnya. Sebuah situasi sejalan terdapat pada backward
chaining kecuali dalam hal hipotesis lebih digunakan dibandingkan rules.
Tentu saja, hipotesis pada tingkat tengah bisa jadi merupakan rule yang
disesuaikan dengan tujuannya dan bukan pendahulunya.
Contoh sederhana dari IF…THEN rules pada backward chaining
(Giarratano & Riley, 2005: 173) :
IF D THEN C
IF C THEN B
IF B THEN A
C dan B merupakan subgoal atau hipotesis tingkat tengah yang harus
dipenuhi untuk dapat membuktikan hipotesis D. Bukti A merupakan fakta
yang mengindikasikan akhir generasi subgoal. Jika ada fakta A, maka D
terpenuhi dan dianggap benar di dalam rantai dugaan terbalik (backward
16
inference) ini. Jika tidak terdapat A, maka hipotesis D tidak terpenuhi dan
dianggap salah.
2.4 Java
Menurut Haines (2003: 1) Java adalah bahasa pemrograman yang
kaya akan fitur dengan seperangkat fungsi inheren yang kokoh untuk
memberdayakan pemula melalui pakar untuk membangun aplikasi dengan
kualitas tinggi. Hasilnya, sebagian besar perguruan tinggi telah memindahkan
kurikulum pemrograman mereka pada Java.
Tahun 1995, Sun Microsystem membuat versi Java yang dapat
digunakan untuk pertama kalinya. Java memiliki artibut sebagai berikut :
Java itu sederhana. Kesederhanaan tersebut berasal dari syntax yang
mirip dengan C/C++ dan penghilangan fitur kompleks C/C++.
Java berbasis Object-oriented. Sifat dari java object-oriented
membuat pengembang untuk berpikir dalam bahasa class dan objek
dibandingkan kode dan data terpisah. Class/objek berpusat pada hasil
kode yang lebih mudah ditulis, dirawat dan digunakan kembali.
Java diinterpretasikan. Compiler Java menterjemahkan source code ke
dalam file class instruksi bytecode. Sebuah mesin virtual menguji
setiap instruksi dan menggunakan arti dari intruksi tersebut untuk
mengeksekusi urutan setara dengan instruksi platform itu sendiri.
Java itu tangguh (robust). Program yang bermasalah tidak
menghancurkan mesin virtual atau merusak platform dasarnya.
Ketangguhan dicapai, sebagian, dengan tidak mendukung pointer
C/C++, dengan menyediakan garbage collector untuk secara otomatis
membebaskan memori yang dialokasikan secara dinamis, dengan
melakukan jenis compile-time/runtime secara ketat, dan dengan
menyediakan array yang sebenarnya dengan batas pengecekan.
Java itu portable. Pemindahan dilakukan melalui arsitektur netral dan
melalui pendefinisian bahasa yang ketat (yang memungkinkan tidak
adanya ketergantungan fitur implementasi).
Java itu berperforma tinggi. Banyak mesin virtual menggunakan
compiler just-in-time (JIT) untuk meng-compile sebuah program
instruksi bytecode secara dinamis ke dalam instruksi platform yang
17
spesifik (yang mengeksekusi lebih cepat dari bytecode) saat program
berjalan.
Java itu dinamis. Java menggunakan tipe interface untuk
membedakan antara program apa yang harus dilakukan dan
bagaimana tugas yang akan dicapai dapat membantu Java untuk
beradaptasi pada lingkunngan yang terus berkembang, dan
membuatnya lebih mudah bagi vendor untuk memodifikasi library
Java tanpa merusak kode program yang menggunakan library
tersebut.
Definisi di atas mengimplikasikan bahwa Java bukanlah bahasa
komputer biasa. Tidak seperti bahasa komputer lainnya, compiler Java tidak
mengartikan source code ke dalam kode ekuivalen yang dijalankan yang
berjalan secara langsung pada Microsoft Windows/Intel, Sun Solaris/SPARC,
atau platform lainnya. Sebaliknya, compiler Java mengartikan source code
menjadi kode eksekusi yang berjalan secara tidak langsung pada platform asli
melalui mesin virtual. Mesin virtual menghasilkan interface yang ditetapkan
secara baik ke dalam sebuah program instruksi bytecode Java dan
mensituasikan antara program Java bytecode dan platform asli.
Syntax Java mudah untuk dipelajari karena menyerupai C++, landasan
object-oriented yang membuatnya intuitif, dan yang pada awalnya
mengarahkan komunikasi antar perangkat jaringan yang membuat
pemrograman menjadi mudah.
2.5 Jess
Anda dapat menggunakan Jess sebagai rule engine.
Sebuah program rule based dapat memiliki ratusan bahkan
ribuan rules, dan Jess akan menerapkan pada data
selanjutnya. Seringkali rules mewakili heuristic knowledge
pada pakar manusia dalam sebuah domain, dan knowledge
base mewakili kondisi dari sebuah situasi yang berkembang
(Hill, 2003: 37).
Menurut Hill (2003: 5) deftemplate sedikit mirip dengan
class declaration di dalam Java. Sementara class objects
18
memiliki anggota variabel, deftemplates memiliki slots.
Setiap slots adalah penampung untuk informasi spesifik.
Sedangkan Java class adalah definisi dari tipe objek, sebuah
template adalah definisi untuk sebuah tipe facts (fact pada
dasarnya: sebuah informasi yang mungkin berguna). Anda
akan menggunakan template untuk membuat facts mewakili
setiap kombinasi.
Pemrograman deklaratif biasanya cara alami untuk
mengerjakan masalah yang melibatkan kontrol, diagnosa,
prediksi, klasifikasi, pengenalan pola, atau banyak masalah
tanpa solusi algoritma yang jelas. Dalam program rule-based,
Anda hanya menulis rules individu. Program lainnya, rule
engine, menetapkan rules mana yang berlaku pada waktu
tertentu dan mengeksekusi yang sesuai. Hasilnya, versi rule
based dari sebuah program kompleks bisa lebih pendek dan
lebih mudah untuk dimengerti daripada versi prosedural.
Menulis programnya lebih mudah, karena Anda bisa fokus
pada rules untuk satu keadaan sekaligus (Hill, 2003: 16-17).
Rule engine umumnya merupakan bagian dari
pengembangan dan penempatan rule. Fitur yang ditawarkan
oleh penempatan tersebut sangat luas, tergantung pada
aplikasi yang dimaksudkan untuk rule engine dan pada tipe
dari pemrogram yang dimaksudkan untuk mengembangkan
sistem tersebut (Hill, 2003: 18).
Bisnis utama dari rule engine adalah untuk menerapkan
rules pada data. Yang membuat inference engine bagian
pusat adalah bagian dari rule engine. Inference engine
mengatur semua proses dari penerapan rules ke dalam
memori yang bekerja untuk memperoleh output dari sistem
(Hill, 2003 : 20).
Rule base berisi semua rule yang diketahui sistem.
Rule-rule tersebut mungkin hanya akan disimpan sebagai
teks strings, tapi lebih sering compiler rule memprosesnya
19
menjadi beberapa bentuk dimana inference engine dapat
bekerja lebih efisien. Compiler Jess rule membangun sebuah
data struktur kompleks yang di indeks, yang disebut rete
network. Rete network adalah struktur data yang membuat
proses rule cepat. Dalam rule engine, working memory
terkadang memanggil fact base, yang berisi semua informasi
dari sistem rule base yang bekerja bersamaan (Hill, 2003:
21).
2.6 Hasil Penelitian Sebelumnya
2.6.1 The Analysis of Comparison of Expert System of Diagnosing Dog Disease
by Certainty Factor Method and Dempster Shafer Method
Permasalahan:
Menurut Setyarini, Putra dan Purnama (2013) ada beberapa penyakit
anjing yang paling umum dan serius belum memiliki vaksin. Penyakit-
penyakit ini mengancam anjing yang tidak memiliki imunisasi yang tepat.
Selain itu, ada juga para pemilik anjing yang kurang bahkan tidak
memperhatikan kesehatan hewan peliharaannya karena diperlukan biaya yang
cukup besar untuk membawa anjing ke dokter hewan.
Oleh karena itu, penelitian ini membahas pentingnya informasi
tentang penyakit pada anjing berdasarkan pada gejala penyakit dan cara-cara
untuk mengatasinya. Aplikasi sistem pakar untuk mendiagnosa penyakit pada
anjing dengan metode Dempster-Shafer dan Certainty Factor yang nantinya
dapat digunakan untuk mengurangi dan meminimalkan risiko kematian pada
anjing. Dengan harapan sistem pakar dapat seolah menjadi dokter hewan
untuk mengidentifikasi penyakit anjing.
Metode penelitian:
Ada dua metode yang digunakan dalam penelitian ini, yaitu Metode
Certainty Factor (CF) dan Metode Dempster-Shafer. Dalam metode
20
Certainty Factor (CF), untuk mengungkapkan tingkat kepercayaan, nilai yang
disebut faktor kepastian (CF) digunakan untuk mengasumsikan tingkat
kepercayaan seorang ahli pada data yang digunakan. Certainty Factor (CF)
memperkenalkan konsep keyakinan dan ketidakyakinan. Oleh karena itu,
untuk alasan tentang tingkat kepastian, digunakan CF.
Metode kedua yang digunakan adalah Metode Dempster-Shafer,
metode ini didasarkan pada dua ide. Ide pertama adalah untuk mendapatkan
tingkat kepercayaan untuk satu pertanyaan dari probabilitas subjektif untuk
pertanyaan yang terkait, dan yang kedua adalah aturan untuk menggabungkan
keyakinan yang didasarkan pada tingkat kepastian.
Kedua pendekatan inilah yang digunakan dan kemudian dibandingkan
dengan hasil diagnosa, yang memiliki tingkat akurasi tertinggi yang
mendekati diagnosa dari seorang ahli.
Hasil:
Pada penelitian ini ada perbandingan yang relevan antara metode
Certainty Factor dan metode Dempster-Shafer. Metode Certainty Factor
memiliki perhitungan yang lebih sederhana dibandingkan dengan metode
Dempster-Shafer. Metode Dempster-Shafer lebih baik daripada Certainty
Factor karena dalam menentukan hasil persentase kepercayaan
mempertimbangkan nilai dari semua variabel yang digunakan dalam
kombinasi tersebut dengan persamaan kombinasi Dempster’s Rule yang
menghasilkan nilai perhitungan yang lebih bervariasi dan lebih akurat. Jadi
berdasarkan jurnal ini, Dempster-Shafer adalah salah satu nilai ketidakpastian
yang memiliki cara penyelesaian yang baik dalam menentukan persentase
dari nilai keyakinan.
Keakuratan dari analisis setiap metode diuji dengan menilai hasil dari
setiap metode analisis yang didasarkan pada apa yang diberikan oleh
pengguna. Hasil analisis sudah benar apabila dinilai dari sudut pandang ahli.
2.6.2 A Rule Based Expert System for Rose Plant
Permasalahan :
21
Menurut Sarma (2012) dibutuhkannya sistem pakar untuk transfer
informasi teknis pada bidang pertanian, diidentifikasikan dengan mengenali
masalah dalam menggunakan sistem tradisional untuk transfer informasi
teknis. Dan membuktikan bahwa sistem pakar dapat membantu mengatasi
masalah yang dibahas dan layak untuk dikembangkan.
Pada penelitian ini disajikan mesin inferensi yang beroperasi dengan
metode forward chaining. Dalam rule-based sistem pakar tanaman mawar ini
gejala diambil sebagai input dan menghasilkan penyakit yang tepat dengan
semua fakta dan aturan yang sesuai dengan basis pengetahuan (knowledge
base). Sistem rule-based ini terdiri dari; basis pengetahuan (knowledge base),
inference engine, user interface, pakar dan pengguna. Sistem rule-based ini
dikembangkan berdasarkan informasi yang dikumpulkan dari berbagai ahli
dari sisi pertanian dan dikembangkan menjadi 150 rule.
Metode penelitian :
Dalam menjalankan sistem pakar rule-based digunakan metode
forward chaining untuk mengeksekusi tidakan setiap kali muncul pada daftar
aksi rule yang kondisinya benar. Dengan melibatkan penempatan nilai ke
atribut, mengevaluasi kondisi, dan memeriksa untuk melihat apakah semua
kondisi dalam rule terpenuhi. Pada sistem forward chaining :
1. Fakta-fakta terdapat dalam memori kerja.
2. Kondisi-kondisi rule merupakan tindakan yang harus diambil ketika
fakta-fakta tertentu terjadi dalam memori kerja.
3. Biasanya tindakan melibatkan menambahkan atau menghapus fakta dari
memori kerja.
Pertama beberapa resolusi strategi konflik harus digunakan untuk
menentukan rule pertama yang ditembakkan. Metodenya adalah
menembakkan aturan yang didefinisikan oleh perancang sistem terlebih
dahulu. Proses forward chaining untuk basis pengetahuan adalah :
Basis pengetahuan berisi lima rules.
22
Forward chaining mengumpulkan semua nilai atribut terlebih dahulu.
Setelah input, “terinfeksi ke” nilai atribut disimpan dalam facts dan
pertanyaan berikutnya ditampilkan dalam user interface.
Hasil :
Sistem pakar merupakan suatu set penting dari aplikasi Artificial
Intelligence dalam masalah komersial, seperti halnya ilmu pengetahuan.
Sistem rule-based saat ini yang paling maju dalam pembangunan sistem
lingkungan mereka dan kemampuan penjelasan, dan telah digunakan untuk
membangun banyak program demonstrasi. Sebagian besar program bekerja
pada analisis tugas-tugas seperti diagnosa medis, troubleshooting elektronik,
atau intepretasi data.
Penekanan utama pada rule-based sistem pakar tanaman mawar ini
adalah memiliki interface yang dirancang dengan baik untuk memberikan
penyakit dibidang hortikultura (mawar) dengan menyediakan fasilitas seperti
interaksi dinamis antara sistem pakar dan pengguna tanpa perlu ahli setiap
saat.
2.6.3 Dog Disease Expert System
Permasalahan :
Nestorovic (2010) mengembangkan sistem pakar untuk mendeteksi
penyakit pada anjing dengan membandingkan dua metode algoritma yaitu
backward chaining dan forward chaining. Kedua algoritma menyampaikan
facts tentang masalah: FACTS (name, value, certainty, completeness). Setiap
fact mempunyai simbolik name dan memiliki value. Nilai certainty
membawa informasi tentang bagaimana sistem yakin dengan fact.
Completeness mengekspresikan level dari keseluruhan kesimpulan.
Motivasi dari penelitian ini adalah untuk menangkap gagasan ringan
sementara dari gejala penyakit anjing – beberapa untuk penyakit spesifik
tertentu (contohnya quinsy), sedangkan lainnya dilihat dengan banyak
penyakit lainnya (contohnya suhu tinggi atau demam).
23
Metode penelitian:
Setiap kesimpulan fact diatur dengan tiga parameter – completeness,
certainty, dan relevance. Proses perhitungan untuk bingkai kerja matematika
yang menggunakan bentuk fungsi menurun (contoh : f(x) = 1/ xn, dimana
a>1 dan xϵ <A; B> dimana A, B ϵ R). Certainty dan completeness dari fact
dihitung berdasarkan pada persamaan berikut (cert = certainty, rel =
relevance, comp = completeness). Pertimbangkan operator disjungsi logis.
Implementasi kerangka mengikuti langkah-langkah berikut.
1. Urutkan operand sesuai dengan kepastian secara menurun, yaitu facts
tertentu berada diurutan pertama, sementara facts dengan kepercayaan rendah
atau tidak ada diurutan terakhir.
2. Bagi domain <A;B> dari fungsi f(x) secara proporsional menjadi operand
relevansi. Biarkan operand O didefinisikan dalam interval <AO; BO>,
dimana AO, BO ϵ R.
3. Hitung bobot operand sebagai integral tertentu dari f(x).
Sistem pakar diterapkan dalam domain penyakit anjing eksperimental
dengan pengetahuan tentang enam penyakit hasil dari (Prochazka, 1989), dan
diuji oleh dokter hewan profesional untuk membuktikan kebenaran sistem.
Hasil:
Penelitian ini memperlihatkan pendekatan peneliti dengan mekanisme
optimasi penalaran. Target peneliti adalah untuk menunjukkan gagasan pokok
dan menyajikan algoritma dalam cara yang komprehensif.
Tabel 2.2 Simpulan Hasil Penelitian Sebelumnya
No. Nama Jurnal Permasalahan Metode Penelitian Hasil
1. The Analysis of Comparison of
Expert System of Diagnosing
Dog Disease by Certainty
Factor Method and Dempster
Shafer Method
Beberapa penyakit anjing yang
paling umum dan serius
mengancam anjing yang belum
melakukan vaksin yang tepat.
Banyak pemilik anjing yang
kurang bahkan tidak
memperhatikan kesehatan hewan
peliharaannya karena diperlukan
biaya yang cukup besar untuk
membawa anjing ke dokter hewan.
1. Metode Certainty Factor (CF),
untuk mengungkapkan tingkat
kepercayaan. Nilai yang disebut
faktor kepastian (CF) digunakan
untuk mengasumsikan tingkat
kepercayaan seorang ahli untuk data
yang digunakan.
2. Metode Dempster-Shafer, dimana
metode ini menggunakan dua
tahapan yaitu mendapatkan tingkat
kepercayaan satu pertanyaan dari
probabilitas subjektif untuk
pertanyaan terkait dan aturan (rule)
untuk mengkombinasi-kan
kepercayaan berdasarkan tingkatnya.
Metode ini mempertim-bangkan
nilai dari semua variabel yang
Metode Certainty Factor memiliki
perhitungan yang lebih sederhana
dibandingkan dengan metode
Dempster-Shafer. Namun, metode
Dempster-Shafer lebih baik daripada
Certainty Factor karena menghasilkan
nilai perhitungan yang lebih bervariasi
dan lebih akurat.
24
25
digunakan dalam kombinasi tersebut
dengan persamaan kombinasi
Dempster’s Rule.
2. A Rule Based Expert System for
Rose Plant
Dibutuhkannya sistem pakar untuk
transfer informasi teknis pada
bidang pertanian yang
diidentifikasikan dengan
menggunakan sistem tradisional
untuk transfer informasi teknis dan
membuktikan sistem pakar dapat
mengatasi masalah yang diajukan
dan dapat dikembangkan.
Metode forward chaining untuk
mengeksekusi tidakan setiap kali
tindakan tersebut muncul pada daftar
aksi rule yang kondisinya benar. Metode
ini melibatkan penempatan nilai ke
atribut, mengevaluasi kondisi, dan
memeriksa untuk melihat apakah semua
kondisi dalam rule terpenuhi.
Penekanan utama pada sistem pakar
rule-based tanaman mawar ini adalah
memiliki interface yang dirancang
dengan baik untuk memberikan
penyakit di bidang hortikultura
(mawar) dengan menyediakan fasilitas
seperti interaksi dinamis antara sistem
pakar dan pengguna tanpa perlunya
kehadiran ahli setiap saat.
3. Dog Disease Expert System Menyederhanakan sistem pakar
untuk mendeteksi penyakit pada
anjing.
Setiap permasalahan dijalankan suatu
siklus yang terdiri atas dua fase :
pengajuan pertanyaan atau menentukan
hipotesis akhir (backward chaining) dan
inferensi pengetahuan (forward
chaining). Kemudian, dilakukan
optimalisasi terkait pertanyaan mana
yang paling cepat menuju hipotesis
terbaik berdasarkan algoritma alpha-beta
pruning.
Sistem pakar ini dapat memperlihatkan
pendekatan peneliti dengan mekanisme
optimasi penalaran. Penelitian juga
digunakan untuk menunjukkan gagasan
pokok dan menyajikan algoritma dalam
cara yang komprehensif.
26