3

BAB II

TINJAUAN PUSTAKA

2.1. Tinjauan Pustaka

Dalam penelitian yang berjudul “Pembuatan Aplikasi Diagnosa Kerusakan

Mesin Sepeda Motor Matic dengan Case-Based Reasoning”, menjelaskan tentang

kemudahan untuk melakukan diagnosa kerusakan mesin sepeda motor dan

memberikan solusi awal mengenai kondisi kerusakan dan pencegahannya melalui

media situs web. Hasil pengujian memperlihatkan aplikasi ini memiliki kemampuan

mendiagnosa kerusakan dan memberikan solusi penyelesaian masalah dari pengguna

dengan rata-rata nilai similaritas antara 0,62 dan 0,7 dengan nilai keakuratan solusi

dari pakar sebesar 80% dan 90% (Kosasi, 2015).

Dalam penelitian yang berjudul “Case-Based Reasoning untuk Diagnosa

Penyakit THT (Telinga Hidung dan Tenggorokan)”, penelitian ini membangun suatu

sistem Penalaran Berbasis Kasus untuk melakukan diagnosa penyakit THT (Telinga,

Hidung dan Tenggorokan). Proses diagnose dilakukan dengan cara memasukkan

kasus baru (target case) yang berisi gejala-gejala yang akan didiagnosa ke dalam

sistem, kemudian sistem akan melakukan proses indexing dengan metode

backpropagation untuk memperoleh indeks dari kasus baru tersebut. Setelah

memperoleh indeks, sistem selanjutnya melakukan proses perhitungan nilai similarity

antara kasus baru dengan basis kasus yang memiliki indeks yang sama menggunakan

metode cosine coefficient. Kasus yang diambil adalah kasus dengan nilai similarity

paling tinggi. Jika suatu kasus tidak berhasil didiagnosa, maka akan dilakukan revisi

kasus oleh pakar. Kasus yang berhasil direvisi akan disimpan ke dalam sistem untuk

dijadikan pengetahuan baru bagi sistem. Hasil penelitian menunjukkan sistem

penalaran berbasis kasus untuk mendiagnosa penyakit THT ini membantu paramedis

4

dalam melakukan diagnosa. Hasil uji coba sistem terhadap 111 data kasus uji,

terdapat 9 kasus yang memiliki nilai similarity di bawah 0.8 (Hartati, 2012).

Dalam penelitian yang berjudul “Sistem Pakar Diagnosa Kerusakan Sepeda

Motor Injeksi Menggunakan Metode Dempster Shafer”, penelitian ini memuat

tentang sistem pakar untuk mengidentifikasikan gejala kerusakan pada motor injeksi.

Kelebihan dari penelitian yang dilakukan telah terdapat data-data yang memiliki nilai

dan bobot sehingga mempermudah dalam penilitian (Kuswinardi, 2013).

Dalam penelitian yang berjudul “Case-Based Reasoning Untuk Pemilihan

Kegiatan Organisasi Mahasiswa”, dalam penelitian ini dilakukan pendekatan case-

based reasoning untuk memberikan rekomendasi organisasi yang sebaiknya dipilih

oleh mahasiswa. Berdasarkan pengujian terhadap 10 responden, 4 responden memilih

organisasi sesuai dengan rekomendasi sistem (Rohmadi, 2015).

Dalam penelitian yang berjudul “Pembangunan Aplikasi Travel Recommender

Dengan Metode Case-Based Reasoning”, pada penelitian ini membuat aplikasi

system rekomendasi obhek wisata di jawa barat. Didalam penelitian ini jenis wisata

ditentukan memiliki nilai bobot 0.9 yang artinya adalah index ini sangat menentukan

jenis rekomendasi yang diberikan untuk kasus yang dicari,sedangkan untuk Daerah

Wisata dan akomodasi diberi bobot 0.8 dan 0.7 yang artinya index ini tidak terlalu

memberikan pengaruh yang signifikan (Ungkawa, 2012).

2.2. Landasan Teori

2.2.1. Sistem Injeksi Kendaraan Bermotor

Motor Injeksi, merupakan suatu metode pencampuran bahan bakar dengan

udara pada kendaraan bermotor untuk menghasilkan pembakaran yang sempurna.

Injeksi membutuhkan perangkat bernama injector, yang bertugas me-nyuplai

campuran bahan bakar dengan udara. Sistem injeksi merupakan teknologi penerus

sistem karburator pada kendaraan bermotor. Apabila pada sistem karburator,

kendaraan membutuhkan penyetelan yang tepat agar bisa mendapatkan campuran

5

bahan bakar dan udara atau AFR (Air–fuel ratio)yang optimal, sistem injeksi sudah

terprogram secara komputer untuk mendapatkan rasio AFR yang optimal. Supaya

bisa mendapatkan AFR yang optimal, injektor mengandalkan program komputer

untuk mengontrol AFR nya. Perangkat elektronik yang bertugas untuk mengontrol

kerja injektor ini bernama ECM atau Electronic Control Module. Electronic Control

Module memiliki settingan dan kontrol yang sudah terstandar dari pabriknya.

ECM ini dapat secara otomatis mengontrol besaran bahan bakar dan udara

yang pas pada kondisi – kondisi cuaca tertentu. Pada motor injeksi terdapat sensor

udara, sensor inilah yang nantinya membantu ECM dalam mengkalkulasi AFR yang

tepat sesuai dengan kebutuhan mesin dan udara sekitar mesin. Kurang lebih seperti

inilah gambaran mengenai sistem injeksi pada motor. Konsepnya sama seperti sistem

karburator, karena injeksi merupakan penyempurnaan dari sistem karburator (Anna,

2015).

2.2.2. Kecerdasan Buatan

Kecerdasan Buatan (Artificial Intelligence)= AI merupakan salah satu bagian

dari ilmu komputer yang mempelajari bagaimana membuat mesin (komputer) dapat

melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia bahkan bisa

lebih baik daripada yang dilakukan manusia.

Menurut John McCarthy, (1956) AI : untuk mengetahui dan memodelkan

proses– proses berpikir manusia dan mendesain mesin agar dapat menirukan perilaku

manusia. Cerdas, berarti memiliki pengetahuan ditambah pengalaman, penalaran

(bagaimana membuat keputusan dan mengambil tindakan), moral yang baik. Manusia

cerdas (pandai) dalam menyelesaikan permasalahan karena manusia mempunyai

pengetahuan dan pengalaman.

Pengetahuan diperoleh dari belajar. Semakin banyak bekal pengetahuan yang

dimiliki tentu akan lebih mampu menyelesaikan permasalahan. Tapi bekal

pengetahuan saja tidak cukup, manusia juga diberi akal untuk melakukan

6

penalaran,mengambil kesimpulan berdasarkan pengetahuan dan pengalaman yang

dimiliki.

Tanpa memiliki kemampuan untuk menalar dengan baik, manusia dengan

segudang pengalaman dan pengetahuan tidak akan dapat menyelesaikan masalah

dengan baik. Demikian juga dengan kemampuan menalar yang sangat baik ,namun

tanpa bekal pengetahuan dan pengalaman yang memadai, manusia juga tidak akan

bisa menyelesaikan masalah dengan baik.

Demikian juga agar mesin bisa cerdas (bertindak seperti dan sebaik manusia)

maka harus diberi bekal pengetahuan, sehingga mempunyai kemampuan untuk

menalar. Lebih detailnya, pengertian kecerdasan buatan dapat dipandang dari

berbagai sudut pandang (Kusumadewi, 2003), antara lain :

1. Sudut Pandang Kecerdasan

Kecerdasan buatan mampu membuat mesin menjadi cerdas (berbuat seperti

yang dilakukan manusia)

Sudut Pandang Penelitian 2.

Kecerdasan buatan adalah studi bagaimana membuat komputer dapat

melakukan sesuatu sebaik yang dilakukan manusia

Sudut Pandang Bisnis 3.

Kecerdasan buatan adalah kumpulan peralatan yang sangat powerfull dan

metodologis dalam menyelesaikan masalah bisnis

Sudut Pandang Pemrogram 4.

Kecerdasan buatan meliputi studi tentang pemrograman simbolik, problem

solving, dan pencarian (searching)

Selain itu, untuk membuat aplikasi kecerdasan buatan ada dua bagian

utama yang sangat dibutuhkan yaitu :

Basis Pengetahuan (Knowledge Base), bersifat fakta-fakta, teori , pemikiran 1.

dan hubungan antar satu dengan yang lainnya.

7

Motor Inferensi (Inference Engine), kemampuan menarik kesimpulan 2.

berdasarkan pengetahuan dan pengalaman.

Penerapan konsep kecerdasan buatan pada komputer dapat dilihat pada

Gambar 2.1.

8

Gambar 2. 1 Penerapan Konsep Kecerdasan (Kusumadewi, 2003)

2.2.2.1 Lingkup Kecerdasaan Buatan Pada Aplikasi Komersial

Dewasa ini, kecerdasan buatan juga memberikan kontribusi yang cukup besar

dibidang manajemen. Adanya sistem pendukung keputusan, dan Sistem Informasi

Manajemen juga tidak terlepas dari andil kecerdasan buatan. Lingkup utama dalam

kecerdasan buatan dapat dijelaskan sebagai berikut ini (Kusumadewi, 2003):

Sistem Pakar (Expert System), disini komputer digunakan sebagai sarana untuk 1.

menyimpan pengetahuan para pakar. Dengan demikian komputer akan

memiliki keahlian yang dimiliki oleh pakar.

Pengolahan Bahasa Alami (Natural Language Processing), dengan pengolahan 2.

bahasa alami ini diharapkan user dapat berkomunikasi dengan komputer

dengan mengguakan bahasa sehari-hari.

Pengenalan Ucapan (Speech Recognation), melalui pengenalan ucapan 3.

diharapkan manusia dapat berkomunikasi dengan komputer dengan

menggunakan suara.

Robotika dan Sistem Sensor (Robotics & Sensory Systems). 4.

Computer Vision, mencoba untuk dapat menginterprestasikan gambar atau 5.

obyek-obyek tampak melalui komputer.

Intelligent Computer-aided Instruction, komputer dapat digunakan sebagai 6.

tutor yang dapat melatih dan mengajar.

Game Playing, beberapa karakteristik yang ada pada sistem yang 7.

menggunakan artificial intelligence adalah pemrogramannya yang cenderung

9

bersifat simbolik ketimbang algoritmik, bisa mengakomodasi input yang tidak

lengkap, bisa melakukan inferensi, dan adanya pemisahan antara kontrol

dengan pengetahuan. Teknologi ini juga mampu mengakomodasi adanya

ketidakpastian dan ketidaktepatan data input.

2.2.2.2 Masalah, Ruang Keadaan dan Pencariaan

Seperti telah diketahui bahwa, pada sistem yang menggunakan kecerdasan

buatan, akan mencoba untuk memberikan output berupa solusi dari suatu masalah

berdasarkan kumpulan pengetahuan yang ada pada Gambar 2.1 (Kusumadewi, 2003).

Pada gambar tersebut, input yang diberikan pada sistem yang menggunakan

kecerdasan buatan berupa masalah.

Pada sistem harus dilengkapi dengan sekumpulan pengetahuan yang ada pada

basis data pengetahuan. Sistem harus memiliki inference engine agar mampu

mengambil kesimpulan berdasarkan fakta atau pengetahuan. Output yang diberikan

berupa solusi masalah hasil dari inferensi.

Dalam kecerdasan buatan, ada beberapa teknik pemecahan masalah. Teknik-

teknik pemecahan masalah tersebut diantaranya sebagai berikut (Kusumadewi, 2003):

Searching 1.

Teknik pencarian, yaitu teknik penyelesaian masalah yang mempresentasikan

masalah ke dalam ruang keadaan (state) dan secara sistematis melakukan

pembangkitan dan pengujian state-state dari initial state sampai ditemukan

suatu goal state. Searching contohnya digunakan dalam pencarian rute

optimum untuk memandu seseorang di perjalanan, misal di Swedia setiap taksi

dilengkapi dengan GPS (Global Positioning System).

10

Reasoning 2.

Reasoning merupakan teknik penalaran, yaitu teknik penyelesaian masalah

yang merepresentasikan masalah ke dalam logic (mathematics tools yang

digunakan untuk merepresentasikan dan memanipulasi fakta dan aturan).

Reasoning contohnya software permainan catur HITECH adalah sistem AI

pertama yang berhasil mengalahkan grandmaster dunia Arnold Danker.

Planning 3.

Planning merupakan suatu metode penyelesaian masalah dengan cara

memecah masalah dalam sub-sub masalah yang lebih kecil, menyelesaikan

sub-sub masalah satu demi satu, kemudian menggabungkan solusi-solusi dari

sub-sub masalah tersebut menjadi sebuah solusi lengkap dengan tetap

mengingat dan menangani interaksi yang terdapat pada sub-sub masalah

tersebut. Planning contohnya dalam dunia manufaktur dan robotik. Software

Optimum – AIV adalah suatu planner yang digunakan oleh European Space

Agency untuk perakitan pesawat terbang.

Learning 4.

Learning secara otomatis menemukan atuan yang diharapkan bisa berlaku

umum untuk data yang belum pernah kita ketahui. Learning digunakan dalam

bidang transportasi. Software ALVINN digunakan pada sebuah mobil tanpa

dikemudikan manusia dengan mengunakan JST yang dilatih dengan berbagai

gambar kondisi jalan raya ada.

Berikut ini gambar teknik-teknik pemecahan masalah seperti pada Gambar

2.2.

11

Gambar 2. 2 Teknik Pemecahan Masalah (Kusumadewi, 2003)

2.2.3.Sistem Pakar

2.2.3.1 Sistem

Sistem merupakan kumpulan elemen yang saling berkaitan yang bertanggung

jawab memproses masukan (input) sehingga menghasilkan keluaran (output).

2.2.3.2 Pengertian Pakar

Pakar adalah seseorang yang telah menguasai bidangnya dengan sangat baik

sehingga dia dapat memberikan respon yang sangat cepat (kadang kala respon ini

muncul tanpa berfikir panjang dan mungkin sekali muncul dari ketidaksadaran).

Jika seseorang mendapatkan “Rangsangan” yang berkaitan dengan bidang

yang dikuasainya. Sebagai contoh seorang Dosen (Pengarah) yang sudah puluhan

tahun mengajar “Termodinamika kimia” akan cepat sekali menjawab pertanyaan

mahasiswanya (Dengan jawaban yang benar) mengenai bidang yang diajarkannya

tanpa kelihatan berfikir keras.

12

Dosen ini dapat digelari pakar dalam bidang “Termodinamika kimia” yang

diajarinya.

2.2.3.3 Pengertian Sistem Pakar

Sistem pakar merupakan cabang AI yg membuat penggunaan secara luas

knowledge yang khusus untuk penyelesaian masalah tingkat manusia yang pakar

(Arhami, 2005).

Sistem pakar merupakan aplikasi berbasis komputer yang digunakan untuk

menyelesaikan masalah sebagaimana yang dipikirkan oleh pakar. Pakar yang

dimaksud disini adalah orang yang mempunyai keahlian khusus yang dapat

menyelesaikan masalah yang tidak dapat diselesaikan oleh orang awam.

2.2.3.4 Sejarah Sistem Pakar

Sistem pakar pertama kali dikembangkan oleh komunitas AI (artificial

Intellegence) pada pertengahan tahun 1956. Sistem pakar yang muncul pertama kali

adalah General purpose problem solver (GPS) yang dikembangkan oleh Newel dan

Simon

2.2.3.5 Konsep Dasar Sistem Pakar

Konsep dasar sistem pakar mengandung keahlian (expertise), pakar (expert),

pengalihan keahlian (transfering expertise), inferensi (inferencing), aturan (rules) dan

kemampuan menjelaskan (explanation capability). Keahlian (expertise) adalah suatu

kelebihan penguasaan pengetahuan di bidang tertentu yang diperoleh dari pelatihan,

membaca atau pengalaman.

Pengetahuan tersebut memungkinkan para ahli untuk dapat mengambil

keputusan lebih cepat dan lebih baik daripada seseorang yang bukan ahli.

Pakar (Expert) adalah seseorang yang mampu menjelaskan suatu tanggapan,

mempelajari hal-hal baru seputar topik permasalahan (domain), menyusun kembali

pengetahuan jika dipandang perlu, memecah aturan-aturan jika dibutuhkan, dan

13

menentukan relevan tidaknya keahlian mereka.

Pengalihan keahlian (transfering expertise) dari para ahli ke komputer untuk

kemudian dialihkan lagi ke orang lain yang bukan ahli, hal inilah yang merupakan

tujuan utama dari sistem pakar. Proses ini membutuhkan 4 aktivitas yaitu :

Tambahan pengetahuan (dari para ahli atau sumber-sumber lainnya) 1.

Representasi pengetahuan (ke komputer) 2.

Inferensi pengetahuan 3.

dan pengalihan pengetahuan ke user. 4.

Pengetahuan yang disimpan di komputer disebut dengan nama basis

pengetahuan. Ada dua tipe pengetahuan, yaitu fakta dan prosedur (biasanya berupa

aturan). Salah satu fitur yang harus dimiliki oleh sistem pakar adalah kemampuan

untuk menalar, Jika keahlian-keahlian sudah tersimpan sebagai basis pengetahuan

dan sudah tersedia program yang mampu mengakses basisdata, maka komputer harus

dapat diprogram untuk membuat inferensi.

Proses inferensi ini dikemas dalam bentuk motor inferensi (inference engine)

Sebagian besar sistem pakar komersial dibuat dalam bentuk rule based systems, yang

mana pengetahuan disimpan dalam bentuk aturan-aturan. Aturan tersebut biasanya

berbentuk IF-THEN. Fitur lainnya dari sistem pakar adalah kemampuan untuk

memberikan nasehat atau merekomendasi. Kemampuan inilah yang membedakan

sistem pakar dengan sistem konvensional (Kusrini, 2006)

2.2.3.6 Ciri dan Karakteristik Sistem Pakar

Ada berbagai ciri dan karakteristik yang membedakan Sistem Pakar dengan

sistem yang lain. Ciri dan karakteristik ini menjadi pedoman utama dalam

pengembangan Sistem Pakar. Ciri dan karakteristik yang dimaksud antara lain

(Kusrini, 2006)

Pengetahuan sistem pakar merupakan suatu konsep, bukan berbentuk numeris. 1.

14

Hal ini dikarenakan komputer melakukan proses pengolahan data secara

numerik sedangkan keahlian dari seorang pakar adalah fakta dan aturan-aturan,

bukan numerik.

Informasi dalam sistem pakar tidak selalu lengkap, subyektif, tidak konsisten, 2.

subyek terus berubah dan tergantung pada kondisi lingkungan sehingga

keputusan yang diambil bersifat tidak pasti dan tidak mutlak “ya” atau “tidak”

akan tetapi menurut ukuran kebenaran tertentu. Oleh karena itu dibutuhkan

kemampuan sistem untuk belajar secara mandiri dalam menyelesaikan

masalah-masalah dengan pertimbangan-pertimbangan khusus.

Kemungkinan solusi sistem pakar terhadap suatu permasalahan adalah 3.

bervariasi dan mempunyai banyak pilihan jawaban yang dapat diterima, semua

faktor yang ditelusuri memiliki ruang masalah yang luas dan tidak pasti. Oleh

karena itu diperlukan sistem yang fleksibel dalam menangani kemungkinan

solusi dari berbagai permasalahan.

Perubahan atau pengembangan pengetahuan dalam sistem pakar dapat terjadi 4.

setiap saat bahkan sepanjang waktu sehingga diperlukan kemudahan dalam

modifikasi sistem untuk menampung jumlah pengetahuan yang semakin besar

dan semakin bervariasi.

Pandangan dan pendapat setiap pakar tidaklah selalu sama, yang oleh karena 5.

itu tidak ada jaminan bahwa solusi Sistem Pakar merupakan jawaban yang

pasti benar. Setiap pakar akan memberikan pertimbangan-pertimbangan

berdasarkan faktor subyektif.

Keputusan merupakan bagian terpenting dari sistem pakar. Sistem pakar harus 6.

memberikan solusi yang akurat berdasarkan masukan pengetahuan meskipun

solusinya sulit sehingga fasilitas informasi sistem harus selalu diperlukan.

2.2.3.7 Kompenen Dasar Sistem Pakar

Suatu sistem disebut sistem pakar jika mempunyai ciri dan karakteristik

tertentu. Hal ini juga harus didukung oleh komponen-komponen sistem pakar yang

15

mampu menggambarkan tentang ciri dan karakteristik tersebut.

Komponen-komponen dari sistem pakar yaitu fasilitas akuisisi pengetahuan,

basis pengetahuan dan basis aturan, mesin inferensi, fasilitas penjelasan sistem dan

antar muka (Kusrini, 2006).

Fasilitas akuisisi pengetahuan 1.

Fasilitas akuisisi pengetahuan merupakan suatu proses untuk mengumpulkan

data-data pengetahuan akan suatu masalah dari seseorang pakar. Bahan

pengetahuan dapat ditempuh dengan beberapa cara misalnya mendapatkan

pengetahuan dari buku, jurnal ilmiah, para pakar di bidangnya laporan dan

literatur. Sumber pengetahuan tersebut dijadikan dokumentasi untuk

dipelajari, diolah dan diorganisasikan secara terstruktur menjadi basis

pengetahuan.

Basis pengetahuan dan basis aturan 2.

Setelah proses akuisisi selesai dilakukan, maka pengetahuan tersebut harus

direpresentasikan basis pengetahuan dan basis aturan yang selanjutnya

dikumpulkan, dikodekan, diorganisasikan, dan digambarkan dalam bentuk

rancangan lain menjadi bentuk yang sistematis.

Mesin inferensi 3.

Mesin inferensi adalah bagian dari sistem pakar yang melakukan penalaran

dan penggunaan isi daftar aturan berdasarkan urutan dan pola tertentu. Selama

proses konsultasi antar sistem dan pemakaian mesin inferensi menguji aturan

satu demi satu sampai kondisi aturan itu benar.

Fasilitas penjelasan sistem 4.

Fasilitas penjelasan sistem merupakan bagian dari sistem pakar yang memberi

penjelasan tentang bagaimana program dijalankan, apa yang harus dijelaskan

kepada pemakai tentang suatu masalah, memberi rekomendasi kepada

16

pemakai, mengakomodasi kesalahan pemakai dan menjelaskan bagaimana

suatu masalah terjadi.

Antarmuka 5.

Antarmuka pemakai memberikan fasilitas komunikasi antar pemakai dan

sistem, memberikan berbagai fasilitas informasi dan berbagai keterangan yang

bertujuan untuk membantu mengarahkan alur penelusuran masalah sampai

ditemukan solusi.

2.2.3.8 Struktur Sistem Pakar

Sistem pakar dibagi menjadi 2 bagian utama : lingkungan pengembangan

(development environment) dan lingkungan konsultasi (consultation (runtime)

environment). Lingkungan pengembangan digunakan oleh Pembangun Sistem Pakar

(ES bulding) untuk membangun komponen dan untuk membawa pengetahuan ke

dalam knowledge base (Kusrini, 2006)

Lingkungan konsultasi digunakan oleh orang yang bukan ahli untuk

mendapatkan pengetahuan dan saran setara pakar. Komponen-komponen yang ada di

dalam Sistem Pakar (Kusrini, 2006) :

Knowledge acquisition subsystem. Pengetahuan dapat diperoleh dari seorang 1.

pakar, buku text (textbooks) atau laporan penelitian, dengan dukungan dari

seorang knowledge engineer (seorang pakar yang memiliki spesialisasi dalam

akuisisi pengetahuan).

Knowledge base. Ada 2 jenis knowledge base adalah fakta (yaitu situasi dan 2.

teori) dan heuristics atau rule-rule.

Inference engine. Merupakan otak dari suatu Sistem Pakar, dapat juga disebut 3.

dengan struktur kontrol (control structure) atau penerjemah rule (rule

interpreter dalam Rule-Based Systems).

Blackboard (workplace). Merupakan tempat menyimpan sementara untuk 4.

memproses rencana (plan), agenda, solusi, dan deskripsi masalah yang didapat

17

dari knowledge base selama sesi konsultasi.

User. umumnya user yang dimaksud ini adalah : (1) klien (yaitu bukan pakar) 5.

yang menginginkan advis/nasehat. Disini Sistem Pakar bertindak seperti

seorang konsultan atau penasehat. (2) Learner (pelajar) untuk mempelajari

bagaimana Sistem Pakar menyelesaikan permasalahan.

User interface. Sistem Pakar haruslah user friendly berorentasi pada masalah 6.

dalam hal antarmuka. Explanation subsystem. Merupakan kemampuan

penelusuran kebenaran dari konklusi yang didapat dari sumber-sumbernya. Hal

ini krusial untuk transformasi kepakaran dan penyelesaian masalah.

Knowledge refining system. Dengan komponen ini, pakar mampu untuk 7.

menganalisis kerja dari sistem pakar, belajar daripadanya, dan

meningkatkannya pada konsultasi selanjutnya.

2.2.3.9 Manfaat Sistem Pakar

Secara garis besar banyak manfaat yang dapat diambil dengan adanya Sistem

Pakar, antara lain (Kusumadewi, 2003) :

Masyarakat awam non-pakar dapat memanfaatkan dalam bidang tertentu tanpa 1.

kehadiran langsung seorang pakar.

Menyimpan pengetahuan dan keahlian para pakar. 2.

Bisa melakukan proses secara berulang secara otomatis. 3.

Meningkatkan output dan produktivitas. 4.

Meningkatkan kualitas. 5.

Mampu mengambil dan melestarikan keahlian para pakar. 6.

Mampu beroperasi dalam lingkungan yang berbahaya. 7.

Memiliki kemampuan untuk mengakses pengetahuan. 8.

Memiliki reliabilitas. 9.

Meningkatkan kapabilitas sistem komputer. 10.

Memiliki kemampuan untuk bekerja dengan informasi. 11.

Sebagai media pelengkap dalam pelatihan. 12.

18

Menigkatkan kapabilitas dalam penyelesaian masalah. 13.

Menghemat waktu dalam pengambilan keputusan. 14.

Memberikan penyederhanaan solusi untuk kasus-kasus yang kompleks dan 15.

berulang-ulang .

2.2.3.10 Kelemahan Sistem Pakar

Disamping memiliki beberapa keuntungan, Sistem Pakar juga memiliki

beberapa kelemahan, antara lain (Kusumadewi, 2003):

Biaya yang dibutuhkan untuk membuat dan memeliharanya sangat mahal. 1.

Sulit dikembangkan. Hal ini tentu saja erat kaitannya dengan ketersediaan 2.

pakar dibidangnya.

Sistem Pakar tidak 100% bernilai benar. 3.

Daya kerja dan produktivitas manusia menjadi berkurang karena semuanya 4.

dilakukan secara otomatis oleh sistem.

2.2.3.11 Sistem Kerja Pakar

Sistem kerja Pakar diantara lain adalah (Kusrini, 2006) :

Modul Penerimaan Pengetahuan 1.

Untuk mendapatkan pengetahuan sistem pakar dilakukan proses penerimaan

pengetahuan. Proses ini dilakukakan melalui interaksi dengan pakar

penerimaan pengetahuan dilakukan dengan bantuan Knowledge Engineer

(KE), yaitu seorang spesialis sistem yang menterjemahkan pengetahuan yang

dimiliki seorang pakar menjadi pengetahuan yang akan tersimpan dalam basis

pengetahuan pada sebuah sistem pakar.

Modul Konsultasi 2.

Sistem pakar pada modul konsultasi apabila sistem memberikan konsultasi

berupa jawaban atas permasalahan yang diajukan oleh pemakai pada modul ini

pemakai yang awam berinteraksi dengan sistem dengan memasukkan data dan

19

jawaban-jawaban pertanyaan sistem.

Data yang dimasukkan oleh pemakai ditempatkan dalam database sistem dan

kemudian diakses oleh pembangkit inference untuk mendapatkan kesimpulan.

Modul Penjelasan 3.

Sistem pakar dalam modul penjelasan adalah menjelaskan proses pengambilan

keputusan yang dilakukan oleh sistem.

2.2.3.12 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.

Basis pengetahuan merupakan representasi dari seorang pakar, yang kemudian

dapat dimasukkan kedalam bahasa pemrograman khusus untuk kecerdasan buatan

(misalnya PROLOG atau LISP) atau shell sistem pakar (misalnya EXSYS, PC-PLUS,

CRYSTAL). Basis pengetahuan mengandung pengetahuan untuk pemahaman,

formulasi, dan penyelesaian masalah.

Komponen sistem pakar ini disusun atas dua elemen dasar, yaitu fakta dan

aturan. Fakta merupakan informasi tentang obyek dalam area permasalahan tertentu,

sedangkan aturan merupakan informasi tentang cara bagaimana memperoleh fakta

baru dari fakta yang telah diketahui (Kusrini, 2006).

2.2.3.13 Mesin Inferensi

Mesin inferensi merupakan otak dari aplikasi sistem pakar. Bagian inilah yang

menuntun user untuk memasukkan fakta sehingga diperoleh suatu kesimpulan. Apa

yang dilakukan oleh mesin inferensi ini didasarkan pada pengetahuan yang ada dalam

basis pengetahuan. Dalam sistem pakar proses inferensi dilakukan dalam suatu modul

yang disebut Inference Engine (mesin inferensi). Ada dua metode inferensi yang

penting dalam sistem pakar yaitu runut maju (forward chaining) dan runut balik

20

(backward chaining). Tahap acquisition module adalah tahap pengumpulan bahan

melalui wawancara kepada para ahli dan mendapatkan informasi dari sumber lain.

Knowledge Base adalah pengetahuan yang dapat disimpan dan disimpulkan

menjadi informasi yang berbasis pengetahuan oleh Inference Engine. Pada tahap

Explanatory Interface, akan menampilkan informasi yang didapat ke aplikasi yang

digunakan oleh user. Pada Gambar 2.3 berikut ini adalah alur dari mesin inferensi.

21

2.2.4. Case-Based Reasoning

Metode Case-Based Reasoning adalah penyeselesaian masalah dengan

memanfaatkan pengalaman sebelumnya. Case-Based Reasoning merupakan salah

satu metode pemecahaan masalah yang dalam mencari solusi dari suatu kasus

yang baru , sistem akan melakukan pencarian terhadap solusi dari kasus lama

yang memiliki permasalahan yang sama (Kosasi, 2015). Alur metode Case-Based

Reasoning dapat dilihat Pada Gambar 2.4.

Gambar 2.3 Alur mesin inferensi (Kusrini, 2006)

22

Gambar 2.4 Alur Metode Case Based reasoning (Kosasi, 2015)

2.2.4.1. Retrieve

Mendapatkan atau memperoleh kembali kasus yang paling menyerupai ataua

relevan (similar) dengan kasus yang baru.Tahap retrieval ini dimulaidengan

menggambarkan atau menguraikan sebagian masalah, dan diakhiri jika ditemukannya

kecocokan terhadap masalah sebelumnya yang tingkat kecocokannya paling tinggi.

Bagian ini mengacu pada segi identifikasi, kecocokan awal, pencarian dan pemilihan

serta eksekusi.

2.2.4.2. Reuse

Memodelkan atau menggunakan kembali pengetahuan dan informasi kasus

lama berdasarkan bobot kemiripan yang paling relevan ke dalam kasus yang baru,

sehingga menghasilkan usulan solusi dimana mungkin diperlukan suatu adaptasi

dengan masalah yang baru tersebut.

23

24

2.2.4.3. Revise

Meninjau kembali solusi yang diusulkan kemudian diuji coba pada kasus

nyata (simulasi). Jika diperlukan maka solusi tersebut akan diperbaiki agar cocok

dengan kasus yang baru.

2.2.4.3. Retain

Mengintegrasikan atau menyimpan kasus baru yang telah berhasil

mendapatkan solusi agar dapat digunakan oleh kasus-kasus selanjutnya yang mirip

dengan kasus tersebut.Tetapi Jika solusi baru tersebut gagal, maka menjelaskan

kegagalannya, memperbaiki solusi yang digunakan, dan mengujinya lagi.

2.2.5. Neural Network Matching

Nearest Neighbor adalah pendekatan untuk mencari kasusdengan menghitung

kedekatan antara kasus baru dengan kasus lama, yaitu berdasarkan pada pencocokan

bobot dari sejumlah fitur yang ada. Misalkan diinginkan untuk mencari solusi

terhadap seorang pasien baru dengan menggunakan solusi dari pasien terdahulu.

Untuk mencari kasus pasien mana yang akan digunakan maka dihitung kedekatan

kasus pasien baru dengan semua kasus pasien sama. Kasus pasien lama dengan

kedekatan terbesarlah yang akan diambil solusinya untuk digunakan pada kasus

pasien baru (Kusrini, 2009).

25

Gambar 2. 3 Ilustrasi kedekatan kasus (Kusrini, 2009)

Seperti tampak pada Gambar 2.3 ada 2 pasien lama A dan B. Ketika

ada pasien baru, maka solusi yang akan diambil adalah solusi dari pasien terdekat dari

pasien baru.Seandainya d1 adalah kedekatan antara pasien Baru dan pasien A,

sedangkan d2 adalah kedekatan antara pasien. Baru dengan pasien B. Karena d2 lebih

dekat dari d1 maka solusi dari pasien B-lah yang akan digunakan untuk memberikan

solusi pasien baru.

Adapun rumus untuk melakukan penghitungan kedekatan antara 2 kasus

seperti pada Persamaan 2.1.

26

dengan :

T : kasus baru

S : kasus yang ada dalam penyimpanan

n : jumlah atribut dalam masing-masing kasus

i : atribut individu antara 1 s/d n

f : fungsi similarity atribut i antara kasus T dan kasus S

w : bobot yang diberikan pada atribut ke i

Kedekatan biasanya berada pada nilai antara 0 s/d 1. Nilai 0 artinya kedua

kasus mutlak tidak mirip, sebaliknya untuk nilai 1 kasus mirip dengan mutlak.

2.2.6. Pembobotan Swing

Pembobotan swing merupakan metode yang memiliki kemampuan

menggabungkan rentang atribut dari masing-masing input dari bobot dimana semua

atribut didasarkan pada nilai terburuk dan nilai terbaik. Penentuan nilai dilakukan

melalui penilaian yang dilakukan oleh para ahli yang diberikan dengan cara

memberikan nilai maksimal pada atribut paling penting, lalu memberikan nilai

dibawah nilai maksimal secara berurutan untuk atribut berikutnya. Nilai yang

diberikan kepada seluruh atribut dinormalisasikan untuk menjadi nilai bobot yang

memiliki rentang antara 0 hingga 1. Persamaan yang dipergunakan untuk

menormalisasi nilai untuk dijadikan bobot dapat dilihat pada Persamaan 2.2

(Anggraeni, 2012).

𝑊𝑖=𝑟𝑖

∑𝑘=1,𝑚𝑟𝑖, I = 1,2,…..,m

Dengan :

ri = nilai bagi atribut ke i

wi=bobot ke i

BAB II TINJAUAN PUSTAKA2.1. Tinjauan Pustaka2.2. Landasan Teori2.2.1. Sistem Injeksi Kendaraan Bermotor2.2.2. Kecerdasan Buatan2.2.2.1 Lingkup Kecerdasaan Buatan Pada Aplikasi Komersial2.2.2.2 Masalah, Ruang Keadaan dan Pencariaan

2.2.3.Sistem Pakar2.2.3.1 Sistem2.2.3.2 Pengertian Pakar2.2.3.3 Pengertian Sistem Pakar2.2.3.4 Sejarah Sistem Pakar2.2.3.5 Konsep Dasar Sistem Pakar2.2.3.6 Ciri dan Karakteristik Sistem Pakar2.2.3.7 Kompenen Dasar Sistem Pakar2.2.3.8 Struktur Sistem Pakar2.2.3.9 Manfaat Sistem Pakar2.2.3.10 Kelemahan Sistem Pakar2.2.3.11 Sistem Kerja Pakar2.2.3.12 Basis Pengetahuan (Knowledge Base)2.2.3.13 Mesin Inferensi

2.2.4. Case-Based Reasoning2.2.4.1. Retrieve2.2.4.2. Reuse2.2.4.3. Revise2.2.4.3. Retain

2.2.5. Neural Network Matching2.2.6. Pembobotan Swing