bab ii tinjauan pustakaeprints.mercubuana-yogya.ac.id/1535/3/bab ii.pdf · 2017. 10. 26. · 3 bab...
TRANSCRIPT
-
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