Rabu, 14 Mei 2014

Sistem Pakar Diagnosa Hama dan Penyakit Tanaman Padi


Kumpulan Jurnal Sistem Pakar

  1. Membangun Sistem Pakar Untuk Melakukan Diagnosis Kecanduan Internet (Internet Addiction) Dengan Metode Forward Chaining
  2. Sistem Pakar Untuk Menentukan Penyakit Dan Hama Pada Tanaman Semangka Menggunakan Metode Forward Chaining
  3. Sistem Pakar Diagnosa Infeksi Penyakit Tropis Dengan Menggunakan Metode Forward Chaining
  4. Sistem Pakar Untuk Menelusuri Kerusakan Pada Komputer Dengan Microsoft Visual Basic 6.0


Sumber : http://sianakmuda.wordpress.com/2012/12/09/5-contoh-jurnalskrpsi-sistem-pakar-expert-sistem/

Bagaimana mengukur keberhasilan sistem pakar ?

Sistem pakar dipandang berhasil ketika sistem tersebut mampu menggantikan sang pakar dalam mengambil keputusan baik ditinjau dari proses pengambilan keputusannya maupun hasil keputusan yang diperoleh. Menurut prof. Gill, keberhasilan sistem pakar ditinjau dari keberhasilan proses pengembangannya yang diidentifikasikan menjadi 5 fokus area :
Mengkoordinasikan pengembangan sistem pakar dengan rencana bisnis strategis dan rencana strategis untuk sumber daya informasi.
  1. Mendefinisikan masalah yang akan dipecahkan secara jelas dan dapat dipahami dengan baik oleh problem domain.
  2. Memahami sepenuhnya tentang pemakai (customer) mengenai apa yang diharapkan oleh kepakaran yang dihasilkan dari sistem pakar.
  3. Memberikan perhatian khusus pada kelayakan legal dan etis dari sistem yang diusulkan.
  4. Menggunakan teknik manajeman yang dirancang untuk mempertimbangkan tingkat kelelahan dari pengembang pada batas yang dapat diterima.

Sumber : http://asriabbas.blogspot.com/2013/09/bagaimana-mengukur-keberhasilan-sistem.html

Forward Chaining dan Backward Chaining



Metode inferensi adalah mekanisme berfikir dan pola-pola penalaran yang digunakan oleh sistem untuk mencapai suatu kesimpulan. Metode ini akan menganalisa masalah tertentu dan selanjutnya akan mencari  jawaban atau kesimpulan yang terbaik. Penalaran dimulai dengan mencocokan kaidah-kaidah dalam basis pengetahuan dengan fakta-fakta yang ada dalam basis data.
Ada dua metode inferensi yang dapat digunakan, yaitu:
  • Forward Chaining

Forward chaining merupakan metode inferensi yang melakukan penalaran dari suatu masalah kepada solusinya. Jika klausa premis sesuai dengan situasi (bernilai TRUE), maka proses akan menyatakan konklusi. Forward chaining adalah data-driven karena inferensi dimulai dengan informasi yang tersedia dan baru konklusi diperoleh. Jika suatu aplikasi menghasilkan tree yang lebar dan tidak dalam, maka gunakan forward chaining.
Contoh :
Terdapat 10 aturan yang tersimpan dalam basis pengetahuan yaitu :
R1 : if A and B then C
R2 : if C then D
R3 : if A and E then F
R4 : if A then G
R5 : if F and G then D
R6 : if G and E then H
R7 : if C and H then I
R8 : if I and A then J
R9 : if G then J
R10 : if J then K
Fakta awal yang diberikan hanya A dan E, ingin membuktikan apakah K bernilai benar. Proses penalaran forward chaining terlihat pada gambar dibawah :

Gambar Forward Chaining
  • Backward Chaining

Menggunakan pendekatan goal-driven, dimulai dari harapan apa yang akan terjadi (hipotesis) dan kemudian mencari bukti yang mendukung (atau berlawanan) dengan harapan kita. Sering hal ini memerlukan perumusan dan pengujian hipotesis sementara.Jika suatu aplikasi menghasilkan tree yang sempit dan cukup dalam, maka gunakanbackward chaining.
Contoh :
Seperti pada contoh forward chining, terdapat 10 aturan yang sama pada basis pengetahuan dan fakta awal yang diberikan hanya A dan E. ingin membuktikan apakah K bernilai benar. Proses penalaran backward chaining terlihat pada gambar berikut :

Gambar Backward Chaining

Contoh KASUS  Sistem Pakar Penasehat Keuangan
Kasus : user ingin berkonsultasi apakah tepat jika dia berinvestasi pada stock IBM?
Variabel-variabel yang digunakan:
A = memiliki uang $10.000 untuk investasi
B = berusia < 30 tahun
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 IBM
Setiap variabel dapat bernilai TRUE atau FALSE

FAKTA YANG ADA:
§ Diasumsikan si user (investor) memiliki data:
o Memiliki uang $10.000 (A TRUE)
o Berusia 25 tahun (B TRUE)
§ Dia ingin meminta nasihat apakah tepat jika berinvestasi pada IBM stock?
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 <> 22 tahun THEN dia berpendidikan college
R5 : IF seseorang ingin berinvestasi pada saham pertumbuhan THEN saham yang dipilih adalah saham IBM.
Rule simplification:
– 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

Solusi dengan Forward Chaining :

Step I : IF A and C Then E = R1
Step II : IF B then C A,B,C -> True = R4
Step III : If A and C then E A,B,C -> True = R2
Step IV : If B ad E then F A,B,C,E,F -> true = R3
step V : if F then G. G->True
kesimpulan : Cocok untuk investasi saham IBM
Solusi dengan Backward Chaining : Kebalikan dari Forward Chaining

Sumber : http://diskusikuliah.wordpress.com/2010/10/18/forward-chaining-dan-backward-chaining

Modul Penyusun Sistem Pakar

Menurut Staugaard (1987) suatu sistem pakar disusun oleh tiga modul utama yaitu :
1. Modul Penerimaan Pengetahuan (Knowledge Acquisition Mode) Sistem berada pada modul ini, pada saat ia menerima pengetahuan dari pakar. Proses mengumpulkan pengetahuan-pengetahuan yang akan digunakan untuk pengembangan sistem, dilakukan dengan bantuan knowledge engineer. Peran knowledge engineer adalah sebagai penghubung antara suatu sistem pakar dengan pakarnya.

2. Modul Konsultasi (Consultation Mode)
Pada saat sistem berada pada posisi memberikan jawaban atas permasalahan yang diajukan oleh user, sistem pakar berada dalam modul konsultasi. Pada modul ini, user berinteraksi dengan sistem dengan menjawab pertanyaan-pertanyaan yang diajukan oleh sistem.

3. Modul Penjelasan (Explanation Mode)
Modul ini menjelaskan proses pengambilan keputusan oleh system (bagaimana suatu keputusan dapat diperoleh).

Struktur Sistem Pakar, komponen utama pada struktur sistem pakar menurut Hu et al (1987) meliputi:
1. Basis Pengetahuan (Knowledge Base)
Basis pengetahuan merupakan inti dari suatu sistem pakar, yaitu berupa representasi pengetahuan dari pakar. Basis pengetahuan tersusun atas fakta dan kaidah. Fakta adalah informasi tentang objek, peristiwa, atau situasi. Kaidah adalah cara untuk membangkitkan suatu fakta baru dari fakta yang sudah diketahui.

2. Mesin Inferensi (Inference Engine)
Mesin inferensi berperan sebagai otak dari sistem pakar. Mesin inferensi berfungsi untuk memandu proses penalaran terhadap suatu kondisi, berdasarkan pada basis pengetahuan yang tersedia. Di dalam mesin inferensi terjadi proses untuk memanipulasi dan mengarahkan kaidah, model, dan fakta yang disimpan dalam basis pengetahuan dalam rangka mencapai solusi atau kesimpulan. Dalam prosesnya, mesin inferensi menggunakan strategi penalaran dan strategi pengendalian. Strategi penalaran terdiri dari strategi penalaran pasti (Exact Reasoning) dan strategi penalaran tak pasti (Inexact Reasoning). Exact reasoning akan dilakukan jika semua data yang dibutuhkan untuk menarik suatu kesimpulan tersedia, sedangkan inexact reasoning dilakukan pada keadaan sebaliknya.Strategi pengendalian berfungsi sebagai panduan arah dalam melakukan prose penalaran. Terdapat tiga tehnik pengendalian yang sering digunakan, yaitu forward chaining, backward chaining, dan gabungan dari kedua teknik pengendalian tersebut.

3. Basis Data (Data Base)
Basis data terdiri atas semua fakta yang diperlukan, dimana fakta fakta tersebut digunakan untuk memenuhi kondisi dari kaidah-kaidah dalam sistem. Basis data menyimpan semua fakta, baik fakta awal pada saat sistem mulai beroperasi, maupun fakta-fakta yang diperoleh pada saat proses penarikan kesimpulan sedang dilaksanakan. Basis data digunakan untuk menyimpan data hasil observasi dan data lain yang dibutuhkan selama pemrosesan.

4. Antarmuka Pemakai (User Interface)
Fasilitas ini digunakan sebagai perantara komunikasi antara pemakai.dengan komputer.

Teknik Representasi Pengetahuan
Representasi pengetahuan adalah suatu teknik untuk merepresentasikan basis pengetahuan yang diperoleh ke dalam suatu skema/diagram tertentu sehingga dapat diketahui relasi/keterhubungan antara suatu data dengan data yang lain. Teknik ini membantu knowledge engineer dalam memahami struktur pengetahuan yang akan dibuat sistem pakarnya. Terdapat beberapa teknik representasi pengetahuan yang biasa digunakan dalam pengembangan suatu sistem pakar, yaitu

a. Rule-Based Knowledge
Pengetahuan direpresentasikan dalam suatu bentuk fakta (facts) dan aturan (rules). Bentuk representasi ini terdiri atas premise dan kesimpulan.
b. Frame-Based Knowledge
Pengetahuan direpresentasikan dalam suatu bentuk hirarki atau jaringan frame.
c. Object-Based Knowledge
Pengetahuan direpresentasikan sebagai jaringan dari obyek-obyek. Obyek adalah elemen data yang terdiri dari data dan metoda (proses).
d. Case-Base Reasoning
Pengetahuan direpresentasikan dalam bentuk kesimpulan kasus (cases).

Inferencing dengan Rule : Forward dan Backward Chaining
Inferensi dengan rules merupakan implementasi dari modus ponen, yang direfleksikan dalam mekanisme search (pencarian). Dapat pula mengecek semua rule pada knowledge base dalam arah forward maupun backward. Proses pencarian berlanjut sampai tidak ada rule yang dapat digunakan atau sampai sebuah tujuan (goal) tercapai. w:st=”on”Ada dua metode inferencing dengan rules, yaitu forward chaining atau data-driven dan backward chaining atau goal-driven.

a. Backward chaining
• Menggunakan pendekatan goal-driven, dimulai dari ekspektasi apa yang diinginkan terjadi (hipotesis), kemudian mengecek pada sebab-sebab yang mendukung (ataupun kontradiktif) dari ekspektasi tersebut.
• Jika suatu aplikasi menghasilkan tree yang sempit dan cukup dalam, maka gunakan backward chaining.

b. Forward chaining
• Forward chaining merupakan grup dari multiple inferensi yang melakukan pencarian dari suatu masalah kepada solusinya.
• Jika klausa premis sesuai dengan situasi (bernilai TRUE), maka proses akan meng-assert konklusi.
• Forward chaining adalah data-driven karena inferensi dimulai dengan informasi yang tersedia dan baru konklusi diperoleh.
• Jika suatu aplikasi menghasilkan tree yang lebar dan tidak dalam, maka gunakan forward chaining.

Sumber : http://3onoikom.wordpress.com/materi-kuliah/sistem-pakar/

Sistem Pakar ( Expert System )

Sistem pakar (dalam bahasa Inggris :expert system) adalah sistem informasi yang berisi dengan pengetahuan dari pakar sehingga dapat digunakan untuk konsultasi. Pengetahuan dari pakar di dalam sistem ini digunakan sebagi dasar oleh Sistem Pakar untuk menjawab pertanyaan (konsultasi).
Kepakaran (expertise) adalah pengetahuan yang ekstensif 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).
Sistem pakar adalah suatu program komputer yang mengandung pengetahuan dari satu atau lebih pakar manusia mengenai suatu bidang spesifik. Jenis program ini pertama kali dikembangkan oleh periset kecerdasan buatan pada dasawarsa 1960-an dan 1970-an dan diterapkan secara komersial selama 1980-an. Bentuk umum sistem pakar adalah suatu program yang dibuat berdasarkan suatu set aturan yang menganalisis informasi (biasanya diberikan oleh pengguna suatu sistem) mengenai suatu kelas masalah spesifik serta analisis matematis dari masalah tersebut. Tergantung dari desainnya, sistem pakar juga mampu merekomendasikan suatu rangkaian tindakan pengguna untuk dapat menerapkan koreksi. Sistem ini memanfaatkan kapabilitas penalaran untuk mencapai suatu simpulan.

Kelebihan Sistem Pakar

Secara garis besar, banyak manfaat yang dapat diambil dengan adanya sistem pakar, antara lain :
  1. Memungkinkan orang awam bisa mengerjakan pekerjaan para ahli.
  2. Bisa melakukan proses secara berulang secara otomatis.
  3. Menyimpan pengetahuan dan keahlian para pakar.
  4. Meningkatkan output dan produktivitas.
  5. Meningkatkan kualitas.
  6. Mampu mengambil dan melestarikan keahlian para pakar (terutama yang termasuk keahlian langka).
  7. Mampu beroperasi dalam lingkungan yang berbahaya.
  8. Memiliki kemampuan untuk mengakses pengetahuan.
  9. Memiliki reabilitas.a
  10. Meningkatkan kapabilitas sistem komputer.
  11. Memiliki kemampuan untuk bekerja dengan informasi yang tidak lengkap dan mengandung ketidakpastian.
  12. Sebagai media pelengkap dalam pelatihan.
  13. Meningkatkan kapabilitas dalam penyelesaian masalah.
  14. Menghemat waktu dalam pengambilan keputusan

Kelemahan Sistem Pakar

Di samping memiliki beberapa keuntungan, sistem pakar juga memiliki beberapa kelemahan, antara lain :
  1. Biaya yang diperlukan untuk membuat dan memeliharanya relatif mahal karena diperlukan banyak data.
  2. Perlu admin khusus yang selalu update informasi dalam bidang yang sesuai dengan sistem pakar.
  3. Pengembangan perangkat lunak sistem pakar lebih sulit dibandingkan perangkat lunak konvensional.
  4. Susah di kembangkan.
  5. Membutuhkan waktu yang lama.


Sumber : http://id.wikipedia.org/wiki/Sistem_pakar