Beragam Metode Sistem Pakar (Expert System)

Beragam Metode Sistem Pakar (Expert System) merupakan sebuah tutorial yang akan membahas mengenai beberapa metode yang sering digunakan dalam pembuatan aplikasi sistem pakar (Expert System). Namun sebelum saya membahas metode-metode sistem pakar tersebut, baiknya kita simak terlebih dahulu definisi singkat mengenai Sistem Pakar (Expert System) berikut:

Sistem Pakar (Expert System) merupakan salah satu cabang dari Artificial Intelligence (AI) yang membuat penggunaan secara luas knowledge yang khusus untuk penyelesaian masalah tingkat manusia yang pakar [Giarratano dan Riley, 2005].

Sistem Pakar juga dapat diartikan sebagai sebuah algoritma yang mengadopsi kemampuan dan pengetahuan manusia yang diubah menjadi suatu sistem komputer. Sistem pakar yang baik dapat menyelesaikan masalah dengan lebih sempurna yang dibuat pada wilayah pengetahuan tertentu untuk sesuatu kepakaran tertentu yang mendekati kemampuan manusia di salah satu bidang. Sistem pakar mencoba mencari solusi yang memuaskan sebagaimana yang dilakukan seorang pakar. Selain itu sistem pakar dapat memberikan penjelasan terhadap langkah yang diambil dan memberikan alasan atas saran atau kesimpulan yang ditemukannya. Dengan sistem pakar, orang awam pun dapat menyelesaikan masalah yang sebenarnya hanya dapat diselesaikan dengan bantuan para ahli.

Sistem Pakar mulai dikembangkan pada pertengahan tahun 1960-an oleh Artificial Intelligence Corporation. Periode penelitian artificial intelligence ini didominasi oleh suatu keyakinan bahwa nalar yang digabung dengan komputer canggih akan menghasilkan prestasi pakar atau bahkan manusia super. Seiring dengan perkembangan teknologi saat ini telah beragam metode yang digunakan dalam pengembangan dan pembuatan sistem pakar.

Berikut merupakan beberapa metode yang sering digunakan dalam pembuatan aplikasi sistem pakar (Expert System) beserta dengan definisi singkatnya yaitu:

• Metode Faktor Kepastian (Certainty Factor)

Faktor kepastian (Certainty Factor) merupakan ukuran kepastian terhadap suatu fakta atau aturan. Faktor kepastian (Certainty Factor) menunjukan ukuran kepastian terhadap fakta dan aturan [Kusumadewi, 2003]. Certainty Factor atau faktor kepastian diperkenalkan pertama kali pada tahun 1975 oleh shortliffe buchanan. Certainty factor adalah suatu metode untuk membuktikan apakah suatu fakta itu pasti ataukah tidak pasti. Metode ini sangat cocok untuk sistem pakar yang mendiagnosis sesuatu yang belum pasti.

Adapun Notasi faktor kepastian/Certainty Factor (CF):

CF (h,e) = MB (h,e,) – MD (h,e)

Dimana:

CF (h,e) :    Factor kepastian

MB(h,e) :    Ukuran kepercayaan terhadap hipotesis h, jika diberikan evidence e (antara 0 dan 1).

MD(h,e): Ukuran ketidak percayaan terhadap hipotesis h, jika diberikan evidence e (antara 0 dan 1).

h         :    Hipotesis

        e          :           Peristiwa atau fakta (Evidence)

 

• Metode BFS (Breadth First Search)

BFS merupakan algoritma yang melakukan pencarian data secara melebar dalam suatu sistem pakar. Pencarian data diawali dengan menganalisa suatu simpul secara preorder, atau mengunjungi suatu simpul lalu beralih ke seluruh simpul yang ada dan bertetangga dengan simpul awal. Pada metode ini dibutuhkan algoritma dengan sebuah antrian (queue) guna menyimpan informasi simpul yang telah dikunjungi ataupun dianalisa. Kemudian dalam metode ini di butuhkan juga table Boolean guna menyimpan informasi simpul, sehingga tidak ada simpul yang disimpan dan dikunjungi lebih dari sekali.

• Metode DFS (Depth First Search)

Metode DFS merupakan algoritma penelusuran struktur pohon / graf yang berpatokan pada kedalaman data. DFS akan membentuk simpul dari akar (root) menuju ke salah satu simpul, misalnya simpul yang menjadi prioritas yang biasanya merupakan simpul anak pertama atau simpul yang berada disebelah kiri hingga menuju level terdalam. Selanjutnya penelusuran dilanjutkan ke simpul paling atas atau level 1 guna menemukan simpul atau anak ke dua dari pohon / graf yang telah terbentuk, dan begitu seterusnya, hingga tiada simpul yang terlewati.

• Metode Best Fisrt Search

Metode Best Fisrt Search merupakan kombinasi antara metode BFS dan DFS. Keputusan yang dihasilkan dari metode ini, diambil dengan cara menarik kesimpulan dari hasil keputusan BFS dan DFS sehingga metode ini dapat menghasilkan keputusan yang terbaik.

• Metode Backward Chainning (Penelusuran Ke Belakan)

Metode backward chaining adalah pelacakan kebelakang yang memulai penalarannya dari kesimpulan (goal), dengan mencari sekumpulan hipotesa-hipotesa menuju fakta-fakta yang mendukung sekumpulan hipotesa-hipotesa tersebut sampai kepada fakta yang dapat memberikan value dan penguatan (dukungan) pada kesimpulan yang telah ditemukan. Dalam implementasinya pada sistem, keputusan yang dihasilkan oleh metode ini dipengaruhi oleh metode yang telah disebutkan sebelumnya, BFS, DFS dan Best First Search. Metode backward Chaining merupakan kebalikan dari forward chaining dimana mulai dengan sebuah hipotesa (sebuah objek) dan meminta informasi untuk meyakinkan atau mengabaikan. Metode Backward Chainning termasuk metode yang paling sering dan banyak digunakan dalam pengembangan sistem pakar.

• Metode Forward Chainning (Penelusuran Ke Depan)

Metode Forward Chaining adalah pelacakan ke depan yang memulai dari sekumpulan fakta-fakta dengan mencari kaidah yang cocok dengan dugaan/hipotesa yang ada menuju kesimpulan. Setelah kesimpulan ditemukan, selanjutnya digunakan untuk menguji nilai kebenaran dari suatu hipotesa. Keputusan atau penalaran yang dihasilkan dalam metode ini adalah penalaran yang bersifat logis, yang disebabkan oleh faktor pengecekan modus ponen dengan argumen serta infersi yang ada pada data.

Metode forward Chaining dapat disebut sebagai 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.

• Metode Dempster-Shafer Theory

Dempster-Shafer Theory adalah generalisasi dari Bayesian theory of subjective probability. Fungsi kepercayaan berbasis derajat kepercayaan (atau keyakinan, atau jaminan) pada suatu masalah terhadap probabilitas untuk masalah terkait. Derajat kepercayaan itu sendiri mungkin atau mungkin tidak memiliki sifat probabilitas matematika, seberapa banyak perbedaannya tergantung pada seberapa dekat kedua permasalahan itu berkaitan [Shafer, 2002].

 

Dari beberapa metode sistem pakar yang telah di uraikan tersebut di atas, setiap metode mempunyai kelebihan dan kekurangan masing-masing, tergantung studi kasus, masalah serta penempatan penggunaannya tiap-tiap metode.

Demikian pembahasan tutorial tentang beragam metode Sistem Pakar (Expert System), Semoga tutorial ini dapat menambah dan memberikan pengetahuan, wawasan dan inspirasi baru untuk teman-teman. Apabila ada saran, masukan atau penulisan yang salah atau tidak sesuai silahkan isi komentar pada bagian bawah artikel ini,…!

 

Lihat Juga: Ragam Metode Sistem Pendukung Keputusan