BAB 2 LANDASAN TEORI
2.1 Inteligensia Semu 2.1.1 Pengertian Inteligensia Semu Definisi dari inteligensia semu adalah salah satu bagian dari ilmu komputer yang membuat mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia. Pada awalnya komputer diciptakan hanya sebagai alat hitung saja namun seiring dengan perkembagan jaman, maka peranan komputer diharapkan dapat mengerjakan segala sesuatu yang biasa dikerjakan oleh manusia. Beberapa definisi lain tentang intelegensia semu adalah a. Menurut Turban (1992, p.3), inteligensia semu adalah cabang dari ilmu komputer yang mengarah pada pembuatan piranti lunak dan piranti keras dengan tujuan menghasilkan sesuatu seperti yang dihasilkan oleh pola pikir manusia. b. Menurut Luger dan Stubblefield (1989, p.1), inteligensia semu adalah cabang dari ilmu komputer yang berkaitan dengan perilaku kecerdasan. c. Menurut Jackson (1999, p.15), inteligensia semu adalah bagian dari ilmu komputer yang berhubungan dengan perancangan sistem komputer inteligensi, yaitu sistem yang menggambarkan
9
karakteristik
yang
10 diasosiasikan dengan inteligensi tingkah laku manusia – pemahaman bahasa, pembelajaran, penjelasan, pemecahan masalah dan seterusnya Menurut Kusumadewi (2003, p.2), Pengertian intelegensia semu juga dapat dipandang dari berbagai sudut pandang antara lain : 1. Sudut pandang kecerdasan. Inteligensia semu akan membuat mesin menjadi “cerdas” (mampu berbuat seperti apa yang dilakukan oleh manusia). 2. Sudut pandang penelitian Inteligensia semu adalah suatu studi bagaimana membuat agar komputer dapat melakukan sesuatu sebaik yang dikerjakan oleh manusia. Pokok bahasan yang sering dibahas oleh para peneliti meliputi : a.
b.
Mundane task. •
Persepsi (vision & speech).
•
Bahasa alami ( understanding, generation & translation).
•
Pemikiran yang bersifat commonsense
•
Robot control
Formal task. •
Permainan/games.
•
Matematika
(geometri,
pembuktian). c.
Expert task. •
Analisis finansial.
•
Analisis medikal
logika,
kalkulus
integral,
11 •
Analisis ilmu pengetahuan
•
Rekayasa
(desain,
pencarian
kegagalan,
perencanaan
manufaktur). 3. Sudut pandang bisnis. Inteligensia semu adalah kumpulan peralatan yang sangat powerful dan metodologis dalam menyelesaikan masalah-masalah bisnis. 4. Sudut pandang pemograman Inteligensia semu meliputi studi tentang pemrograman simbolik, penyelesaian masalah (problem solving) dan pencarian (searching). Untuk melakukan aplikasi inteligensia semu ada 2 bagian utama yang sangat dibutuhkan (Gambar 2.1), yaitu : •
Basis Pengetahuan (Knowledge Base), berisi fakta-fakta, teori, pemikiran dan hubungan antara satu dengan lainnya.
•
Mesin Inferensi (Inference Engine), yaitu kemampuan menarik kesimpulan berdasarkan pengalaman. Computer Inputs (questions, problems, etc)
Knowledge Base
Inferencing Capability
Gambar 2.1 Penerapan Konsep Kecerdasan buatan di Komputer
Outputs (answers, alternative solutions,etc)
12
2.1.2 Ruang lingkup Inteligensia Semu Menurut Luger (1989, p.14), area-area aplikasi utama dan kontribusi dari inteligensi semu adalah: a. Permainan game. Kebanyakan dari game dimainkan dengan menggunakan sebuah set peraturan yang didefinisikan dengan baik. Hal ini memudahkan untuk menciptakan pencarian ruang dan kebebasan pencari dari banyak kompleksitas dan ambigu yang ada. b. Pemikiran terautomasi dan pembuktian dalil. Penelitian pembuktian teorema bertanggung jawab banyak atas pekerjaan belakangan ini dalam algoritma pencarian penyusunan dan pengembangan bahasa representasi formal seperti kalkulus predikat. c. Sistem pakar. Komputer digunakan sebagai sarana untuk menyimpan pengetahuan para pakar. Dengan demikian komputer memiliki keahlian untuk menelesaikan permasalahan dengan meniru keahlian yang dimiliki oleh seorang pakar. d. Pemahaman bahasa dan pemodelan semantik. Salah satu tujuan jangka panjang dari inteligensi semu adalah penciptaan dari program yang mampu mengerti dan menciptakan bahasa manusia. e. Pemodelan tampilan manusia.
13 Pemodelan tampilan manusia sebagai tambahan untuk menyediakan inteligensi semu dengan metodologi dasarnya, telah dibuktikan sebagai alat yang sangat bermanfaat dalam menformulasikan dan menguji pengenalan manusia. f. Perencanaan dan robot. Penelitian dalam perencanaan dimulai sebagai usaha untuk merancang robot yang dapat melakukan tugasnya dengan beberapa tingkat dari fleksibilitas dan respon terhadap dunia luar. Perencanaan mengharapkan sebuah robot dapat melaksanakan beberapa aksi tenaga tertentu. g. Bahasa dan lingkungan untuk inteligensi semu. Lingkungan pemograman termasuk teknik penstrukturan pengetahuan seperti pemograman berorientasi objek dan kerangka kerja sistem pakar. h. Pembelajaran mesin. Tidak seperti manusia, sistem pakar diberi masalah yang sama per detiknya, seperti: kadang-kadang tidak mengingat solusinya. Sistem pakar ini melakukan perhitungan berurut yang sama lagi. Kebanyakan dari sistem pakar terhambat oleh ketidakfleksibilitasnya dalam menyelesaikan masalahnya. Solusi yang pasti untuk masalah ini adalah program-program yang dapat belajar dengan sendirinya lebih baik daripada pengalaman, analogi dan contoh ataupun dengan diberitahu apa yang harus dilakukan.
14
2.1.3 Keuntungan inteligensia semu Menurut Turban dan Frenzel (1992, p.9), Inteligensia semu memiliki beberapa keuntungan secara komersial antara lain : 1. Inteligensia semu lebih bersifat permanen. Inteligensia semu tidak akan berubah sepanjang sistem komputer dan program tidak mengubahnya. 2. Inteligensia semu lebih mudah diduplikasi dan disebarkan. Mentransfer pengetahuan manusia dari satu orang ke orang lain membutuhkan proses yang sangat lama, dan juga suatu keahlian itu tidak akan pernah diduplikasi dengan lengkap. Oleh karena itu, jika pengetahuan terletak pada suatu sistem komputer, pengetahuan tersebut dapat disalin dari komputer tersebut dan dapat dipindahkan dengan mudah ke komputer yang lain. 3. Inteligensia semu lebih murah karena mampu menyediakan layanan komputer akan lebih mudah dan lebih murah dibandingkan dengan harus mendatangkan seseorang untuk mengerjakan sejumlah pekerjaan dalam jangka waktu yang sangat lama. 4. Inteligensia semu bersifat konsisten. Hal ini disebabkan karena inteligensia semu adalah bagian dari teknologi komputer. 5. Inteligensia semu dapat didokumentasi. Keputusan yang dibuat oleh komputer dapat didokumentasi dengan mudah dengan cara melacak setiap aktivitas dari sistem tersebut. 6. Inteligensia semu dapat mengerjakan pekerjaan lebih cepat.
15 7. Inteligensia semu dapat mengerjakan pekerjaan lebih baik
2.2 Sistem Pakar 2.2.1 Pengertian Sistem Pakar Menurut Giarratano dan Riley (1998, p2), sistem pakar adalah suatu sistem komputer yang bisa menyamai atau meniru kemampuan seseorang pakar. Sistem pakar yang baik dirancang agar dapat menyelesaikan suatu permasalahan tertentu dengan meniru kerja dari para pakar. Dengan sistem ini, orang awam pun akan mampu menyelesaikan masalah yang cukup rumit yang sebenarnya hanya dapat diselesaikan dengan bantuan para pakar. Bagi para pakar sendiri, sistem ini juga akan membantu aktivitasnya sebagai asisten yang berpengalaman. Berikut di bawah ini adalah beberapa pendapat mengenai definisi sistem pakar, yaitu: a. Menurut Luger & Stubblefield (1989, p.16), sistem pakar merupakan kombinasi dari pemahaman masalah teoritis dan koleksi aturan-aturan heuristik pemecahan masalah yang telah menunjukkan keefektifannya suatu cakupan sebagai pengetahuan dari pakar dan mengkodingnya ke dalam bentuk yang komputer serta dapat menerapkannya ke masalah yang serupa. b. Menurut Turban (1992, p.74), sistem pakar adalah sebuah sistem yang menggunakan pengetahuan manusia yang ditampung dalam komputer untuk memecahkan masalah yang biasanya memerlukan keahlian
16 manusia, dimana sistem yang telah dirancang dengan baik ini meniru pemikiran pakar dalam menyelesaikan masalah spesifik. c. Menurut Jackson (2002, p.2), sistem pakar adalah sebuah program komputer yang merepresentasikan dan mempertimbangkan dengan pengetahuan dari beberapa subjek spesial dengan sebuah pandangan untuk menyelesaikan masalah-masalah atau memberikan nasehat. d. Menurut Rich dan Knight (1991, p547) Sistem pakar adalah suatu sistem yang memiliki tujuan untuk menyelesaikan masalah yang biasa dilakukan oleh seorang pakar.
2.2.2 Elemen dalam Sistem Pakar Menurut Giarratano dan Riley (1998, p23), elemen dari sistem pakar ditunjukan pada gambar 2.2. Dalam sistem basis pengetahuan, pengetahuan itu berisi ilmu pengetahuan utama yang dibutuhkan untuk memecahkan masalah yang tertulis di dalam peraturan Suatu sistem pakar terdiri dari beberapa komponen seperti : •
User Interface : mekanisme dimana pengguna dan sistem pakar itu saling berinteraksi.
•
Explanation Facility : menjelaskan pemikiran-pemikiran yang terdapat dalam sistem kepada pengguna.
•
Working Memory : fakta-fakta yang terdapat dalam database global digunakan dalam peraturan-peraturan
17 •
Inference Engine : membuat kesimpulan dengan memutuskan aturan mana yang memuaskan dengan fakta-fakta atau objek, dengan mengutamakan aturan-aturan yang memuaskan, dan melaksanakan aturan dengan prioritas yang tinggi.
•
Agenda : mengutamakan daftar nama yang dibuat oleh pengambil keputusan, dimana daftar tersebut dipuaskan berdasarkan faktafakta atau objek dalam pengerjaan memori.
•
Knowledge Acquisition Facility : jalan keluar termudah bagi pengguna untuk mendapatkan pengetahuan didalam sebuah sistem daripada mendapatkan pengetahuan dari para ahli secara eksplisit
Gambar 2.2 Struktur sistem pakar berbasis aturan
18
2.2.3. Perbandingan Sistem Pakar dengan Sistem Konvensional Menurut Turban dan Frenzel (1992, p.82), Perbandingan sistem pakar dengan sistem konvensional dapat dilihat pada tabel 2.1 Sistem Konvensional
Sistem Pakar
Informasi dan pemrosesannya biasanya Basis pengetahuan dipisahkan secara jelas digabungkan
dalam
satu
program dari
sekuensial.
proses
mekanisme
penarikan
kesimpulan.
Program tidak dapat membuat kesalahan Program dapat membuat kesalahan. kecuali programmernya. Biasanya
tidak
bisa
menjelaskan Penjelasan adalah bagian terpenting dari
mengapa suatu input data itu dibutuhkan, sistem pakar. atau bagaimana output itu diperoleh. Pengubahan program cukup sulit.
Pengubahan aturan dapat dilakukan dengan mudah.
Sistem hanya akan beroperasi jika sistem Sistem dapat beroperasi hanya dengan tersebut sudah lengkap. Eksekusi
dilakukan
beberapa aturan. langkah
demi Eksekusi dilakukan pada keseluruhan basis
langkah.
pengetahuan.
Dapat memanipulasi basis data yang Dapat memanipulasi basis pengetahuan banyak secara efektif.
yang banyak secara efektif.
Representasi dengan menggunakan data.
Representasi
dengan
menggunakan
19 pengetahuan. Tujuan utamanya adalah efisiensi.
Tujuan utamanya adalah efektivitas.
Lebih mementingkan kuantitas.
Lebih mementingkan kualitas.
Mengambil, mendistribusikan
memperbesar, akses
untuk
numerik atau informasi.
dan Mengambil,
memperbesar,
data mendistribusikan
akses
dan untuk
pertimbangan dan pengetahuan.
Tabel 2.1 Perbandingan Sistem Pakar dengan Sistem Konvensional
2.2.4. Kelebihan dan Keterbatasan Sistem Pakar Menurut Turban dan frenzel (1992, p.94-98), Sistem pakar memiliki beberapa kelebihan, yaitu : 1. Meningkatkan output dan produktivitas. Sistem pakar dapat bekerja lebih cepat dari manusia, sehingga dapat menghemat waktu dan biaya yang dikeluarkan. 2. Meningkatkan kualitas. Sistem pakar dapat meningkatkan kualitas dengan memberikan saran yang konsisten dan dapat mengurangi terjadinya kesalahan (error rate). 3. Mengurangi downtime. Banyak sistem pakar operasional digunakan untuk mendiagnosa kesalahan fungsi dan menentukan perbaikan-perbaikan yang harus dilakukan. Sistem pakar dapat mendeteksi kesalahan (malfunction) dalam produksi yang terjadi sehingga dapat mengurangi terjadinya kehilangan waktu yang sangat merugikan perusahaan.
20
4. Menyimpan kepakaran yang langka. Kelangkaan kepakaran menjadi nyata pada situasi dimana hanya terdapat sedikit pakar untuk suatu masalah, seperti pakar tersebut pensiun atau meninggalkan
pekerjaannya.
Sistem
pakar
dapat
digunakan
untuk
memperoleh keahlian yang dimiliki oleh pakar tersebut. 5. Fleksibilitas. Sistem pakar memberikan fleksibilitas dalam menyediakan pelayanan serta dalam pengembangannya. 6. Peralatan pengoperasian yang lebih mudah. Sistem pakar dapat membuat peralatan yang kompleks pengoperasiannya menjadi lebih mudah untuk dioperasikan. 7. Penghilangan kebutuhan akan peralatan yang mahal. Pada umumnya manusia harus bergantung pada peralatan yang mahal dalam melakukan pengawasan dan kontrol. Sistem pakar dapat melakukan tugas yang sama dengan peralatan yang lebih murah, oleh karena memiliki kemampuan untuk melakukan penyelidikan informasi yang disediakan oleh peralatan tersebut secara menyeluruh dan cepat. 8. Beroperasi pada lingkungan yang berbahaya. Banyak pekerjaan yang menyebabkan manusia bekerja pada lingkungan yang berbahaya. Sistem pakar memungkinkan manusia untuk menghindari
21 lingkungan yang berbahaya, misalnya seperti pada konflik militer dan juga pada lingkungan yang panas, lembab, ataupun beracun.
9. Memiliki kemampuan untuk mengakses pengetahuan. Sistem pakar membuat pengetahuan dan informasi menjadi dapat diakses. 10. Kehandalan (reliabilitas). Sistem pakar dapat dihandalkan karena sistem pakar tidak pernah lelah, bosan, dan sakit. Sistem pakar secara konsisten menaruh perhatian pada setiap detil sehingga tidak melewatkan informasi yang relevan dan memberikan solusi yang potensial. 11. Meningkatkan kemampuan dari sistem komputerisasi lain. Penggabungan sistem pakar dengan sistem yang lain menyebabkan sistem tersebut menjadi lebih efektif, bekerja lebih cepat, dan memberikan solusi dengan kualitas yang lebih baik. 12. Penggabungan opini dari beberapa pakar. Penggabungan opini dari beberapa pakar ke dalam basis pengetahuan dapat meningkatkan kualitas saran dan kesimpulan yang diberikan. 13. Memiliki kemampuan untuk bekerja dengan informasi yang tidak lengkap dan mengandung ketidakpastian. Berbeda dengan sistem komputer konvensional, sistem pakar dapat bekerja dengan informasi yang tidak lengkap, seperti jawaban “tidak tahu”, dengan menggunakan tingkat kemungkinan (probabilitas) terhadap hasil yang diberikan.
22 14. Penyediaan pelatihan. Sistem pakar dapat menyediakan pelatihan, bagi pemula yang bekerja dengan sistem pakar maka pengalamannya akan terus meningkat. 15. Meningkatkan solusi pemecahan masalah. Sistem pakar meningkatkan solusi pemecahan masalah karena merupakan penggabungan dari analisis pakar yang terbaik. Sistem pakar juga dapat meningkatkan pemahaman pengguna dengan menggunakan penjelasan dan sistem pakar juga dapat mendukung pemecahan dari masalah yang rumit. 16. Memiliki kemampuan untuk memecahkan masalah yang sulit. Saat ini beberapa sistem pakar telah mampu memecahkan permasalahan yang kebutuhan lingkup pengetahuannya melebihi manusia. 17. Memungkinkan untuk mentransfer pengetahuan ke tempat yang jauh. Salah satu keuntungan utama dari sistem pakar adalah sistem pakar dapat melewati perbatasan internasional, misalnya dapat digunakan pada daerah atau negara yang tidak dapat membayar keahlian dari pakar ataupun ke tempat yang tidak cukup memiliki pakar. Menurut Turban dan Frenzel (1992, p.98-99), Selain memiliki kelebihan, sistem pakar juga memiliki permasalahan dan keterbatasan, antara lain : 1. Pengetahuan tidak selalu tersedia. 2. Kepakaran sulit didapat dari manusia. 3. Pendekatan dari setiap pakar untuk situasi yang dinilai dapat berbeda. 4. Sulit, bahkan bagi seorang pakar untuk menilai situasi yang baik ketika berada di bawah tekanan waktu.
23 5. Penggunaan sistem pakar memiliki keterbatasan kemampuan alami. 6. Sistem pakar bekerja dengan baik hanya pada ruang lingkup yang sempit. 7. Kosakata yang digunakan para pakar untuk mengekspresikan fakta dan hubungan biasanya terbatas dan tidak dimengerti oleh pakar lain. 8. Konstruksi sistem pakar menjadi mahal karena dibutuhkan bantuan dari knowledge engineer yang jarang dan mahal. 9. Kurang kepercayaan dari pengguna dapat
menjadi halangan untuk
penggunaan sistem pakar.
2.2.5 Bentuk Sistem Pakar Menurut Kusumadewi (2003, p.113), Ada 4 bentuk sistem pakar, yaitu : 1. Berdiri sendiri. Sistem pakar jenis ini merupakan software yang berdiri sendiri tidak bergabung dengan software yang lainnya. 2. Tergabung. Sistem pakar jenis ini merupakan bagian program yang terkandung didalam suatu algoritma (konvensional), atau merupakan program dimana didalamnya memanggil algoritma subrutin lainnya (konvensional) 3. Menghubungkan ke software lain. Bentuk ini biasanya merupakan sistem pakar yang menghubungkan ke suatu paket program tertentu, misalnya dengan DBMS 4. Sistem mengabdi. Sistem pakar merupakan bagian dari komputer khusus yang dihubungkan dengan suatu fungsi tertentu. Misalnya sistem pakar yang digunakan untuk membantu menganalisis data radar.
24
2.2.6.
Struktur Sistem Pakar Menurut Kusumadewi (2003, p.113), Sistem pakar terdiri dari dua bagian
pokok, yaitu : development environment (lingkungan pengembangan) dan consultation environment (lingkungan konsultasi). Lingkungan pengembangan digunakan sebagai pembangun sistem pakar baik dari segi pembangun komponen maupun basis pengetahuan. Lingkungan konsultasi digunakan oleh seseorang yang bukan ahli untuk berkonsultasi
Gambar 2.3 Struktur Sistem Pakar
Komponen-komponen yang ada pada sistem pakar adalah : 1. Subsistem
penambahan
pengetahuan.
Bagian
ini
digunakan
untuk
memasukkan pengetahuan, mengkonstruksi atau memperluas pengetahuan
25 dalam basis pengetahuan.Pengetahuan itu bisa berasal dari: ahli, buku, basis data, penelitian, dan gambar. 2. Basis pengetahuan.Berisi pengetahuan-pengetahuan yang dibutuhkan untuk memahami, memformulasikan dan menyelesaikan masalah. 3. Motor inferensi (inference engine). Program yang berisi metodologi yang digunakan untuk melakukan penalaran terhadap informasi-informasi dalam basis pengetahuan dan blackboard, serta digunakan untuk memformulasikan konklusi. Ada 3 elemen utama motor inferensi, yaitu : •
Interpreter : mengeksekusi item-item agenda yang terpilih dengan menggunakan aturan-aturan dalam basis pengetahuan yang sesuai.
•
Scheduler : akan mengontrol agenda.
•
Consistency enforcer : akan berusaha memelihara kekonsistenan dalam merepresentasikan solusi yang bersifat darurat.
4. Blackboard. Merupakan area dalam memori yang digunakan untuk merekam kejadian yang sedang berlangsung termasuk keputusan sementara.Ada 3 tipe keputusan yang dapat direkam, yaitu: •
Rencana: bagaimana menghadapi masalah.
•
Agenda: aksi-aksi yang potensial yang sedang menunggu untuk di eksekusi.
•
Solusi: calon aksi yang akan dibangkitkan.
5. Antar muka. Digunakan untuk media komukasi antara user dan program.
26 6. Subsistem penjelasan. Digunakan untuk melacak respon dan memberikan penjelasan tentang kelakuan sistem pakar secara interaktif melalui pertanyaan: •
Mengapa suatu pertanyaan ditanyakan oleh sistem pakar?
•
Bagaimana konklusi dicapai?
•
Mengapa ada alternaftif yang dibatalkan?
•
Rencana apa yang digunakan untuk mendapatkan solusi?
7. Sistem penyaring pengetahuan. Sistem ini digunakan untuk mengevaluasi kinerja sistem pakar itu sendiri untuk melihat apakah pengetahuanpengetahuan yang ada masih cocok untuk digunakan di masa mendatang.
2.2.7. Permasalahan yang Disentuh Oleh Sistem Pakar Menurut Kusumadewi (2003, p.122), Ada beberapa masalah yang menjadi area luas aplakasi sistem pakar, antara lain : 1. Interpretasi.
Pengambilan
keputusan
dari
hasil
observasi,
termasuk
diantaranya : pengawasan, pengenalan ucapan, analisis citra, interpretasi sinyal, dan beberapa analisis kecerdasan. 2. Prediksi. Termasuk diantaranya : peramalan, prediksi demografis, peramalan ekonomi, prediksi lalu lintas, estimasi hasil, militer, pemasaran, atau peramalan keuangan. 3. Diagnosis,. Termasuk diantaranya : medis, elektronis, mekanis, dan perancangan bangunan. 4. Perancangan. Termasuk diantaranya : layout, sirkuit dan perancangan bangunan.
27 5. Perencanaan. Termasuk diantaranya : perencanaan keuangan, komunikasi, militer, pengembangan produk, ruting, dan manajemen proyek. 6. Monitoring. Misalnya : Computer-aided monitoring systems 7. Debugging, memberikan resep obat terhadap suatu kegagalan. 8. Perbaikan 9. Instruksi. Melakukan instruksi untuk diagnosis, debugging dan perbaikan kerja 10. Kontrol. Melakukan kontrol terhadap interpretasi, interpretasi prediksi, perbaikan, dan monitoring kelakuan sistem.
2.2.8. Mengembangkan Sistem Pakar Menurut Turban (1992, p.404), suatu sistem pakar pada dasarnya merupakan software komputer dan dalam pengembangannya mengikuti proses pengembangan software. Sasarannya adalah untuk memaksimalkan kemungkinan pengembangan software yang sehat, yang dapat mendukung dalam biaya yang terbatas dan berdasarkan pada jadwal. Fungsi utama pada model proses ini adalah untuk menentukan urutan dari setiap langkah (tugas) yang terlibat dalam pengembangan software dan untuk menetapkan kriteria transisi untuk melangkah maju ke satu tingkatan ke tingkatan yang lain.Seperti layaknya perangkat lunak, pada pengembangan sistem pakar inipun diperlukan beberapa tahapan seperti terlihat pada gambar 2.4
28
Gambar 2.4 Skematis Siklus Hidup Pengembangan Sistem Pakar
29 Secara garis besar pengembangan sistem pakar pada gambar adalah sebagai berikut : 1. Mengidentifikasi masalah dan kebutuhan. Mengkaji situasi dan memutuskan dengan pasti tentang masalah yang akan dikomputerisasi dan apakah dengan sistem pakar bisa lebih mampu atau tidak. Misalnya : •
Penjual hardware mendapat kesulitan dalam mencocokan hardware dengan software untuk aplikasi dalam mencocokkan hardware dengan software untuk aplikasi tertentu dan merakit sistem yang lengkap
•
Perusahaan bagian pemeliharaan penerbangan komersial memrlukan bantuan yang terus menerus dari bebrapa spesialis yang ada
•
Operator poyek tenaga nuklir harus mengawasi belasan indikator dan mencatat status proyek, kondisi, dan keamanan, dan harus segera menerapkan pengetahuannyadengan cepat untuk mencegah terjadinya kerusakan atau segara memperbaikinya.
2. Menentukan masalah yang cocok. Ada beberapa syarat yang harus dipenuhi agar sistem pakar dapat bekerja dengan baik, yaitu : •
Domain masalah tidak terlalu luas
•
Kompleksitasnya menengah, artinya jika masalah terlalu mudah ( dapat diselesaikan beberapa detik saja)
•
Tersedianya ahli
•
Menghasilkan solusi mental bukan fisik, artinya sistem pakar hanya memberikan anjuran tidak bisa melalkukan aktivitas fisik.
30 3. Mempertimbangkan alternatif. Dalam hal ini ada 2 alternatif yaitu menggunakan sistem pakar atau komputer tradisional 4. Menghitung pengembalian investasi. Termasuk diantaranya : biaya pembuatan sistem pakar, biaya pemeliharaan, dan biaya training 5. Memilih alat pengembangan, Bisa digunakan software pembuat sistem pakar atau dirancang dengan bahasa pemrograman sendiri 6. Rekayasa pengetahuan. Perlu dilakukan penyempurnaan terhadap aturan-aturan yang sesuai 7. Merancang
sistem.
Bagian
ini
termasuk
pembuatan
prototype,
serta
menterjemahkan pengetahuan menjadi aturan-aturan 8. Melengkapi pengembangan. Termasuk pengembangan prototype apabila sistem yang telah ada sesuai dengan keinginan 9. Menguji dan mencari kesalahan sistem 10. Memelihara sistem. Dalam hal ini harus dilakukan : memperbaharui pengetahuan mengganti pengetahuan yang sudah ketinggalan, dan meluweskan sistem agar bisa lebih baik lagi dalam menyelesaikan masalah.
2.2.9. Representasi Pengetahuan Menurut Turban dan Frenzel (1992, p.170-187), ada beberapa cara untuk merepresentasikan pengetahuan yaitu : 2.2.9.1 Logika Preposional Salah satu tipe yang tertua dan sederhana dari formal logic adalah syllogism. Dengan kata lain formal logic berkaitan erat dengan pernyataan sintaks
31 daripada semantik. Dalam proposional logik, menggunakan simbol dalam mempresentasikan berbagai proposisi, premis atau konklusi. Contoh dari pernyataan diatas adalah sebagai berikut : Pernyataan A : jika cuaca mendung berarti hujan Pernyataan B : hari ini cerah Kesimpulan : berarti hari ni tidak hujan
Input Premises or Facts
Output Inferences or Conclusions
Logical Process
Gambar 2.5 Proses Logika
2.2.9.2. Logika Predikat Misalkan diketahui fakta-fakta sebagai berikut : •
Andi adalah seorang laki-laki : A
•
Ali adalah seorang laki-laki
•
Amir adalah seorang laki-laki : C
•
Anto adalah seorang laki-laki : D
•
Agus adalah seorang laki-laki : E
:B
Jika kelima fakta tersebut dinyatakan dengan menggunakan proposisi, maka akan terjadi pemborosan, dimana beberapa pernayataan dengan predikat yang sama akan dibuat dalam preposisi yang berbeda.
32 Logika predikat digunakan untuk merepresentasikan hal-hal yang tidak dapat direpresentasikan dengan menggunakan logika preposisi. Pada logika predikat kita dapat merepresentasikan fakta-fakta sebagai suatu pernyataan yang disebut dengan wff (well-formed formula) Pada contoh diatas, dapat dituliskan : Laki2(x) Dimana X adalaha variabel yang bisa disubstitusikan dengan Andi, Ali, Amir, Anto, Agus dan laki-laki yang lain.
2.2.9.3. Jaringan Semantik Jaringan semantik merupakan gambaran pengetahuan grafis yang menunjukkan hubungan antar berbagai objek. Jaringan semantik terdiri dari lingkaran-lingkaran yang menunjukkan obyek dan informasi tentang obyek-obyek tersebut. Obyek disini bisa berupa benda atau peristiwa. Antara 2 obyek dihubungkan oleh arc yang menunjukkan hubungan antar obyek. Salah satu kelebihan dari jaringan semantik adalah bisa mewariskan. Sebagai contoh, pada gambar 2.4 ada garis yang menghubungkan antara Budi dengan laki-laki, dan laki-laki ke makhluk hidup. Sehingga apabila ada pertanyaan : Apakah Budi makhluk hidup? Maka kita bisa merunut garis dari makhluk hidup, kemudian ke laki-laki, dan akhirnya ke Budi. Sehingga terbukti bahwa Budi adalah makhluk hidup.
33 Sistem jaringan semantik ini selalu tergantung pada jenis masalah yang akan dipecahkan. Jika masalah itu bersifat umum, maka hanya memrlukan sedikit rincian. Jika ternyata masalah itu banyak melibatkan hal-hal lain, maka didalam jaringan awalnya diperlukan penjelasan yang lebih rinci lagi.
Gambar 2.6 Contoh jaringan semantik
2.2.9.4. Naskah (Script) Script adalah skema representasi pengetahuan yang sama dengan frame, yaitu merepresentasikan pengetahuan berdasarkan karakterristik yang sudah dikenal sebagai pengelaman-pengalaman. Perbedaannya,
34 frame menggambarkan obyek sedangkan script menggambarkan urutan peristiwa. Dalam menggambarkan urutan peristiwa, script menggunakan slot yang berisi informasi tentang orang, obyek, dan tindakan-tindakan yang terjadi dalam suatu peristiwa. Elemen-elemen script meliputi : 1. Kondisi input, yaitu kondisi yang harus dipenuhi sebelum terjadi atau berlaku suatu peristiwa dalam script 2. Track, yaitu variasi yang mungkin terjadi dalam suatu script 3. Prop, yaitu peran pendukung yang dimainkan oleh dalam peristiwa 4. Role, yaitu peran yang dimainkan oleh seseorang dalam peristiwa 5. Scene, yaitu adegan yang dimainkan menjadi bagian dari suatu peristiwa 6. Hasil, yaitu kondisi yang ada setelah urutan peristiwa dalam script terjadi Berikut ini adalah contoh script kejadian yang ada di “Ujian Akhir”: Jalur (track)
: Ujian tertulis matakuliah Kecerdasan Buatan
Role (peran) : Mahasiswa, Pengawas Prop (pendukung)
: lembar soal, lembar jawab, presensi, pena, dll.
Kondisi Input : Mahasiswa terdaftar untuk mengikuti ujian. Adegan
: Persiapan pengawas.
•
Pengawas menyiapkan lembar soal.
•
Pengawas menyiapkan lembar jawab.
•
Pengawas menyiapkan lembar presensi.
35
Adegan – 2
: Mahasiswa masuk ruangan.
•
Pengawas mempersilahkan mahasiswa masuk.
•
Pengawas membagikan lembar soal.
•
Pengawas membagikan lembar jawab.
•
Pengawas memimpin doa.
Adegan – 3
: Mahasiswa mengerjakan soal ujian.
•
Mahasiswa menulis identitas di lembar jawab.
•
Mahasiswa menandatangani lembar jawab.
•
Mahasiswa mengerjakan soal.
•
Mahasiswa mengecek jawaban.
Adegan – 4
: Mahasiswa telah selesai ujian.
•
Pengawas mempersilahkan mahasiswa keluar ruangan.
•
Mahasiswa mengumpulkan kembali lembar jawab.
•
Mahasiswa keluar ruangan.
Adegan – 5
: Pengawas mengemasi lembar jawab.
•
Pengawas mengurutkan lembar jawab.
•
Pengawas mengecek lembar jawab dan presensi.
•
Pengawas meninggalkan ruangan.
36 Hasil : •
Mahasiswa merasa senang dan lega.
•
Mahasiswa merasa kecewa.
•
Mahasiswa pusing.
•
Mahasiswa memaki – maki.
•
Mahasiswa sangat bersyukur.
2.2.9.5. List List adalah daftar tertulis dari item-item yang berhubungan. Bisa berupa daftar orang yang anda kenal, barang-barang yang harus dibeli di pasar swalayan, hal-hal yang harus dilakukan minggu ini, atau produkproduk dalam suatu katalog. Representasi pengetahuan dengan list dapat dilihat pada gambar 2.6.
List A Element 1 Element 2 Element 3 Element 4
Element 2
Element 5
Subelement a
Element 6
Subelement b Subelement c Subelement d
Element 4 Subelement a Subelement b Subelement c
Subelement c Sub-subele (1) Sub-subele (2)
Gambar 2.7 Representasi Pengetahuan dengan List
37 2.2.9.6. Tabel keputusan Tabel keputusan adalah pengetahuan yang diatur dalam bentuk format lembar kerja (spreadsheet), menggunakan kolom dan garis. Representasi pengetahuan dengan tabel dapat dilihat pada gambar 2.7.
Attributes Shape
Round
Round
Round
Round
Oblong
Oblong
Oblong
Oblong
Smell
Acid
Acid
Sweet
Sweet
Sweet
Sweet
Acid
Sweet
Color
Yellow
Orange
Yellow
Red
Yellow
Yellow
Orange
Green
Taste
Sour
Sweet
Sweet
Sweet
Sweet
Sweet
Sour
Sweet
Skin
Rough
Rough
Smooth
Smooth
Smooth
Smooth
Smooth
Smooth
Sees
Yes
Yes
Yes
Yes
Yes
Yes
Yes
Yes
X
X
Conclusions Grapefruit Orange
X X
Apple
X
Banana
X
X
Pear
X
Kumquat
Tabel 2.2 Representasi Pengetahuan dengan Tabel (Turban dan Frenzel, 1992, p182)
2.2.9.7.
Pohon keputusan Pohon keputusan adalah tree yang berhubungan dengan tabel keputusan dan sering digunakan dalam analisis sistem (bukan sistem kecerdasan buatan). Representasi pengetahuan dengan tree dapat dilihat pada gambar 2.8.
38
Orange
The fruit is orange.
Green
The fruit is grapefruit.
Yellow
The fruit is grapefruit.
Color?
The fruit is citrus.
Round Shape? Oval
Acid Smell? Not acid The fruit is not citrus.
The fruit may be lime, lemon, kumquat, etc. More information is needed
Equivalent rule: If the smell is acid and the shape is round and the color is orange THEN the fruit is an orange.
Gambar 2.8 Representasi Pengetahuan dengan Tree
2.2.9.8. Objects, Attribute, dan Values Salah satu cara yang paling umum untuk merepresentasikan pengetahuan adalah menggunakan objects, attribute, dan values (O-A-V triplet). Objects dapat berupa fisik atau konseptual. Attribute adalah karakteristik dari object. Values adalah ukuran spesifik dari attribute dalam situasi tertentu. Representasi pengetahuan menggunakan O-A-V triplet dapat dilihat pada tabel 2.3. Object
Attributes
Values
Rumah
Kamar tidur
2, 3, 4
Rumah
Warna
Hijau, putih, cokelat
Penerimaan di universitas
Rata-rata nilai ujian masuk
3.0, 3.5, 3.7
39 Kontrol inventori
Level dari inventori
15, 20, 30
Kamar tidur
Ukuran
9’ x10’, 10’x12’
Tabel 2.3 Representatif O-A-V
2.2.9.9. Frame Frame merupakan kumpulan pengetahuan tentang suatu obyek tertentu, peristiwa, lokasi, situasi, dll. Frame memiliki slot yang menggambarkan rincian (atribut) dan karakteristik obyek. Frame biasanya digunakan untuk merepresentasikan pengetahuan yang didasarkan pada karakteristik
yang
sudah
dikenal,
yang
merupakan
pengalaman-
pengalaman. Dengan menggunakan frame, sangatlah mudah untuk membuat inferensi tentang obyek, peristiwa atau situasi baru, karena frame menyediakan basis pengetahuan yang ditarik dari pengetahuan.
Gambar 2.9 Contoh frame
40 Pada gambar 2.9 menunjukan frame alat-alat transportasi. Frame tersebut memiliki 3 slot, yaitu alat-alat transportasi di udara, di darat dan di laut. Ada beberapa slot yang bernilai tetap, ada pula yang tidak tetap (prosedural). Slot yang bernilai tetap misalkan jumlah roda pada sedan (4). Jenis slot lainnya bersifat prosedural, artinya slot yang memungkinkan penambahan informasi baru yang bisa ditambahkan pada aturan IF. Misalnya informasi tentang kecepatan perjalanan, pengisian tangki bahan bakar, atau pemakaian bahan bakar tiap km.
2.2.9.10 Sistem Produksi Sistem produksi secara umum terdiri-dari komponen-komponen sebagai berikut ( Gambar 2.10 ) : 1. Ruang keadaan, yang berisi keadaan awal, tujuan dan kumpulan aturan yang digunakan untuk mencapai tujuan. 2. Strategi kontrol, yang berguna untuk mengarahkan bagaimana proses pencarian akan berlangsung dan mengendalikan arah eksplorasi.
Gambar 2.10 Contoh sistem produksi
41 Sistem produksi ini merupakan salah satu bentuk reprensentasi pengetahuan yang sangat populer dan banyak digunakan adalah sistem produksi. Representasi pengetahuan dengan sistem produksi, pada dasarnya berupa aplikasi aturan (rule) yang berupa : 1. Antecedent, yaitu bagian yang mengekspresikan situasi atau premis (pernyataan berawalan IF). 2. Konsekuen, yaitu bagian yang menyatakan suatu tindakan tertentu atau konklusi yang dinyatakan benar, jika bagian IF pada sistem tersebut juga benar atau sesuai dengan aturan tertentu.
2.2.10 Teknik Inferensi Menurut Giarratano dan Riley (1998, p.143) dalam sistem pakar, teknik inferensi untuk memecahkan suatu persoalan dapat dilakukan dengan merangkai kaidah produksi (Chaining). 1. Forward Chaining Pemecahan masalah dari fakta – fakta kepada sebuah kesimpulan berdasarkan fakta – fakta yang ada. Dengan kata lain, pelacakan dimulai dari keadaan awal (informasi atau fakta yang ada) dan kemudian dicoba untuk mencocokan dengan tujuan yang diharapkan.
42 Contoh Forward chaining:
Gambar 2.11 Forward Chaining
2. Backward chaining Diagram dimana menghubungkan hipotesa berdasarkan faktafakta yang mendukung sebuah hipotesa. Dengan kata lain dapat dikatakan bahwa penalaran dimulai dari tujuan atau hipotesa, kemudian dicocokkan dengan keadaan awal atau fakta-fakta yang ada.
43 Contoh backward chaining
Gambar 2.12 backward Chaining
Sebagai tambahan untuk menspesifikasikan arah pencarian (forward atau backward), sebuah algoritma pencarian menentukan urutan pemeriksaan setiap node (state) dalam tree atau graph. Dalam bagian ini dapat dibagi menjadi dua kemungkinan yaitu breadth-first search dan depth-first search (Turban dan Frenzel, 1992, pp53-56). a. Breadth-first search. Cara pencarian dengan menguji semua node pada setiap tingkat yang ada pada pohon pencarian, dimulai dari node akar. Node-node yang ada pada setiap tingkat diuji terlebih dahulu sebelum pindah ke tingkat lainnya. Angka-angka yang ada dalam node menunjukkan urutan pencarian. Biasanya cara pencarian seperti ini akan menemukan jalan terpendek antara status awal dan status akhir, dengan jumlah langkah terkecil. Proses pada breadth-first search ini diawali dari node awal dan bekerja secara menurun
44 dari kiri ke kanan setelah itu pindah ke tingkat lainnya. Node terminal tidak harus sebagai node tujuan, tapi juga bisa sebagai node terakhir. Sebagai contoh, pada gambar 2.12, pencarian akan berakhir pada node 7 sebagai tujuan akhir. Start Level 0
1
2
5
3
6
7
Level 1
4
8
9
10
Level 2
Goal
Gambar 2.13 Diagram Pencarian Breadth-First Search
b. Depth-first search. Dimulai dari node akar dan bekerja secara menurun sampai ke tingkat terendah. Sebuah node menggunakan sebuah operator untuk menghasilkan node selanjutnya yang lebih dalam urutannya. Proses ini berlangsung sampai sebuah solusi ditemukan atau dengan cara jalan mundur (back tracking) sampai menemukan jalan akhir. Saat pencarian (searching) di level dalam jalur (path), jika sudah sampai level paling dalam belum ditemukan solusi, maka proses yang berlangsung disebut back tracking, yaitu pencarian akan naik satu level diatasnya. Angka-angka yang ada dalam node menunjukkan urutan dari pencarian. Proses ini mencari kemungkinan node yang paling dalam. Jika status akhir belum tercapai,
45 proses pencarian kembali ke node berikutnya yang lebih tinggi. Hal ini berlangsung terus ke bawah dan dari kiri ke kanan, sampai status akhir ditemukan. Sebagai contoh, pada gambar 2.13, pencarian akan berakhir pada node 13 sebagai tujuan akhir. Start Level 0
1
2
3
4
8
5
6
12
9
7
10
Level 1
11
13
14
15
Level 2
16
Level 3
Goal
Gambar 2.14 Diagram Pencarian Depth-First Search
2.3. Bayesian Networks Menurut Charniak (p.50), Bayesian networks pada dasarnya lebih dikenal dalam ilmu kedokteran yang digunakan untuk membantu mendiagnosa penyakit yang diderita seseorang. Bayesian networks juga merupakan bagian dari intelegensia semu yang membantu dalam pengambilan keputusan secara spesifik walaupun informasi yang diperoleh tidak lengkap. Bayesian networks juga merupakan sebuah segmen yang luas, dimana setiap segmen tersebut memiliki hubungan satu dengan yang lain. Berdasarkan Bayesian Networks, node yang sebanyak n dapat menghasilkan kemungkinan sebanyak 2 n − 1 tetapi karena
46 adanya Independence Assumsions maka kemungkinan yang dihasilkan tidak akan sebanyak 2 n − 1 . Pengembangan dari teorema base adalah dibentuknya “jaringan bayes” yang menunjukkan hubungan antara satu maslah dengan masalah yang lain. Masalah yang satu dapat digunakan sebagai evidence untuk membuktikan secara spesifik suatu masalah. Pengembangan lebih jauh dari Teorema bayes adalah dibentuknya “Jaringan Bayes”. Gambar (a) menunjukkan hubungan antara kerusakan pada monitor, trafo pada flyback, bunyi melengking dan bunyi desing dalam suatu jaringan. Pada gambar tersebut dapat dijelaskan bahwa munculnya bunyi melengking disebabkan oleh trafo pada flyback. Selain itu pada gambar (b). munculnya
bunyi melengking dapat
digunakan sebagai evidence untk
membuktikan bahwa terjadi bunyi desing. Sedangkan pada gambar (c) menunjukkan probabilitas trafo pada flyback rusak jika terjadi kerusakan pada monitor, dan probabilitas munculnya bunyi desing jika terjadi kerusakan pada monitor.
47
Gambar 2.15 Contoh Bayesian Network
2.4.
Bayesian Belief Network (BBN)
Menurut Zhong & Perry (p.3), Bayesian Belief Network adalah sebuah representasi yang padat / tersusun rapat dari distribusi kemungkinan yang dapat digabungkan dari sebuah variabel sistem yang beragam. Secara formal, BBN adalah sebuah Directed Acyclic Graph (DAG) dengan node yang telah terkoneksi oleh garis-garis penghubung node. Variabel dari Node-node tersebut acak yang mana menggambarkan variabel sistem nilai yang diamati atau yang tidak diamati. Garis-garis penghubung node menggambarkan hubungan antara variabel-variabel. Proses pengambilan kesimpulan diagnosa untuk menetapkan kombinasi dari
48 variabel sistem yang beragam dapat menghasilkan nilai yang dapat diamati dari beberapa node BBN dapat digunakan untuk menggambarkan pengetahuan umum dari ahli dalam suatu bidang, dan berfungsi sebagai arsitektur komputer untuk menyimpan pengetahuan sebenarnya dan memanipulasi alur dari pengetahuan yang ada dalam struktur jaringan. 2.5.
Pengaturan Ketidakpastian Dalam Sistem Pakar
2.5.1. Pendahuluan
Menurut Luger (1993, p. 326-333), dalam sistem pakar, kta sering kali harus mencoba untuk menarik kesimpulan yang tepat dari fakta yang kurang lengkap dan belum pasti menggunakan aturan – aturan inferensi. Ini bukanlah hal yang mustahil, kita dapat melakukannya dalam hampir setiap aspek kehidupan sehari – hari kita. Kita melakukan pengobatan yang tepat untuk gejala – gejala yang mirip; kita menambang sumber daya alam dengan sedikit atau tanpa garansi kesuksesan sebelum kita mulai; kita mengerti pernyataan bahasa yang sering kali ambigu atau tidak lengkap; dan lain sebagainya. Alasan ambiguitas ini dapat lebih dipahami dengan baik dengan cara melihat pada contoh sistem pakar otomotif. Lihat aturan 2 : if the engine does not turn over, and the lights do not come on
then the problem is battery or cables.
49 Aturan ini bersifat heuristik; ada kemungkinan kecil bahwa baterai dan kabel tidak mengalami masalah tetapi mobil itu memiliki motor starter yang jelek dan lampu yang putus. Aturan ini nampak mirip dengan implikasi logikal, tetapi sebenarnya tidak; kegagalan mesin untuk menyala dan lampu tidak menyala tidak menunjukkan bahwa baterai dan kabel rusak. Bagaimanapun, yang menarik untuk diperhatikan adalah bahwa konvers dari aturan tersebut adalah implikasi: if the problem is battery or cables
then the engine does not turn over, and the lights do not come on
Kecuali supernatural, sebuah mobil dengan baterai yang rusak tidak akan dapat menghidupkan lampu atau menghidupkan starter mobil. Ini adalah contoh dari penjelasan abduktif. Secara formal, abduksi menyatakan bahwa dari P → Q dan Q memungkinkan untuk menginvers P. Abduksi adalah aturan tersembunyi dari inferensi, yang berarti bahwa kesimpulan tidak perlu benar untuk setiap interpretasi dimana premis bernilai benar. Sebagai contoh, jika seseorang berkata “Jika hujan makan saya tidak akan berlari pada pukul 3:00” dan kita tidak melihat orang tersebut di lintasan lari pada pukul 3:00, apakah dapat dipastikan bahwa saat itu hujan? Ada kemungkinan bahwa orang tersebut memutuskan untuk tidak berlari karena luka, atau karena dia perlu kerja lembur, dll. Meskipun tersembunyi, abduksi sering kali diperlukan untuk memecahkan masalah. Versi “benar” dari aturan baterai khususnya tidak begitu berguna untuk
50 mendiagnosa masalah mobil karena premis (baterai rusak) adalah tujuan kita dan kesimpulannya adalah gejala – gejala yang dapat diamati. Modus ponen tidak dapat digunakan dan aturan tersebut harus digunakan dalam cara abduksi. Secara umum ini adalah sistem pakar diagnosa yang benar. Kesalahan menyebabkan gejala, bukan sebaliknya, tetapi diagnosa harus bekerja dari gejala kembali ke penyebabnya. Ketidakpastian
disebabkan
dari
penggunaan
inferensi
abduksi
sebagaimana usaha untuk menjelaskan dengan data yang hilang atau tidak dapat dipercaya. Untuk menyelesaikan masalah ini, kita dapat menghubungkan beberapa ukuran kepercayaan ke kesimpulan tersebut. Sebagai contoh, meskipun kerusakan baterai tidak selalu bersamaan dengan kerusakan lampu dan starter, hampir setiap kali terjadi bersamaan, dan kepercayaan dari aturan ini cukup tinggi. Perhatikan bahwa beberapa masalah tidak membutuhkan ukuran tertentu. Ketika melakukan konfigurasi komputer, komponen – komponen dapat berjalan barsama atau tidak. Pernyataan “sebuah disk drive tertentu dan bus bisa berjalan bersama dengan kepastian 0,75” tidak masuk akal. Sama halnya, jika MACSYMA
mencoba
menemukan
integral
fungsi,
angka
kepercayaan
“0,6”bahwa hasilnya benar adalah tidak berguna. Program – program ini dapat berupa data driven (Digital’s XCON) atau goal driven (MIT’s MACSYMA), tetapi karena mereka tidak membutuhkan aturan inference abduksi atau tidak berurusan dengan data yang tidak dapat dipercaya mereka tidak membutuhkan ukuran kepercayaan.
51 2.5.2. Teori Probabilitas Bayesian
Pendekatan
Bayesian
tentang
ketidakpastian
didasari
dari
teori
probabilitas formal dan sudah digunakan dalam beberapa area penelitian AI, termasuk pengenalan pola dan masalah klasifikasi. Sistem pakar PROSPECTOR, dibuat di Stanford dan SRI Internasional dan digunakan dalam eksplorasi mineral (tembaga, molybdenum, dan lainnya), juga menggunakan sebuah bentuk dari model statistik Bayesian. Kita
ambil
distribusi
kejadian
secara
acak,
teori
probabilitas
memungkinkan penghitungan kemungkinan yang lebih rumit dari hasil sebelumnya. Dalam perhitungan probabilitas sederhana kita dapat menyimpulkan, sebagai contoh, bagaimana kartu dapat dibagikan ke sejumlah pemain. Andaikan bahwa saya adalah salah satu pemain dari permainan kartu empat orang dimana semua kartu akan dibagikan secara merata. Jika saya tidak mempunyai ratu sekop saya dapat menyimpulkan bahwa setiap pemain lain memilikinya dengan kemungkinan 1/3. Dengan cara yang sama, saya dapat menyimpulkan bahwa setiap pemain memiliki kartu as hati dengan probabilitas 1/3 dan salah seorang pemain memiliki keduanyadengan kemungkinan 1/3 * 1/3, atau 1/9. Dalam teori probabilitas matematika, probabilitas individu dihasilkan dari sampel dan kombinasi probabilitas dihasilkan seperti diatas, menggunakan aturan seperti : probabilitas (A dan B) = probabilitas(A) * probabilitas (B) dimana A dan B adalah kejadian yang berbeda.
52 Salah satu hasil yang penting dari teori probabilitas adalah teorema Bayes. Hasil teorema Bayes menyediakan jalan untuk menghitung probabilitas dari hipotesa berikut dari bagian bukti khusus, dimana hanya probabilitas dengan bukti yang diikuti dengan penyebab aktual (hipotesa). Teorema Bayes menyatakan : p (H i | E ) =
P( E | H i ) * P ( H i )
∑ (P(E | H ) * P(H )) n
k =1
k
k
dimana : P(H i | E ) adalah probabilitas Hi adalah benar dengan bukti E. P(H i ) adalah probabilitas Hi adalah benar secara keseluruhan. P(E | H i ) adalah probabilitas dari pengamatan bukti E ketika Hi adalah benar. n adalah jumlah hipotesa. Andaikan kita menginginkan untuk memeriksa bukti geologi di suatu tempat untuk melihat apakah lokasi tersebut cocok untuk mencari tembaga. Kita harus tahu sebelumnya probabilitas untuk menemukan setiap mineral dan probabilitas bukti tertentu terdapat ketika mineral tertentu ditemukan. Kemudian kita dapat menggunakan teorema Bayes untuk menentukan kemungkinan tembaga tersebut akan berada menggunakan bukti yang dikumpulkan dari lokasi. Ini adalah pendekatan yang digunakan dalam program PROSPECTOR, yang sudah menemukan simpanan tembaga yang penting dalam perdagangan di beberapa lokasi.
53 Ada dua asumsi umum dalam penggunaan teorema Bayes; pertama adalah semua data statistik tentang hubungan dari bukti dengan beragam hipotesa sudah diketahui; kedua, dan yang lebih sulit dilakukan, bahwa semua hubungan antara bukti dan hipotesa, atau P(E | H k ) , adalah independen. Sebenarnya, asumsi independen ini dapat menjadi masalah, terutama ketika banyak asumsi independen dibutuhkan untuk membuat validasi dari pendekatan ini ke banyak aturan aplikasi. Ini menggambarkan keseluruhan probabilitas yang sudah dikumpulkan dari bukti dimana berbagai macam hubungan hipotesa dalam denominator teorema Bayes. Secara umum, dan terutama dalam area seperti medis, asumsi independen ini tidak dapat dibenarkan. Permasalahan terakhir, yang membuat penyimpanan hubungan statistik dari “hipotesa berdasarkan bukti” menjadi sulit, adalah kebutuhan untuk membuat kembali semua hubungan probabilitas ketika hubungan baru hipotesa ke bukti ditemukan. Dalam banyak area penelitian aktif (seperti medis) hal ini terjadi berulang – ulang. Penjelasan Bayesian membutuhkan probabilitas yang lengkap dan terbaru jika menginginkan kesimpulan yang tepat. Dalam banyak bidang, koleksi data yang begitu banyak dan verifikasi data menjadi tidak mungkin. Ketika asumsi ini bertemu, pendekatan Bayesian menawarkan keuntungan dari penganan ketidakpastian yang benar secara matematis dan benar secara statistik. Kebanyakan bidang sistem pakar tidak memenuhi syarat ini dan harus bergantung pada pendekatan heuristik. Juga dirasakan bahwa tenaga ahli tidak menggunakan model Bayesian dalam pemecahan masalah yang sukses.
54 2.5.3. Aljabar Faktor Kepastian Stanford
Beberapa proyek sistem pakar awal (selain PROSPECTOR) mencoba mengadaptasi teorema Bayes ke dalam kebutuhan pemecahan masalah mereka. Asumsi independen, update data statistik secara berulang, dan masalah laen perlahan – lahan mengarahkan para peneliti untuk mencari ukuran lain dari “kepercayaan”. Mungkin pendekatan alternatif yang paling penting digunakan di Stanford dalam pengembangan program MYCIN (Buchanan and Shortliff 1984). Teori kepastian berdasarkan dari penelitian. Yang pertama adalah dalam teori probabilitas tradisional jumlah hubungan kepercayaan dan hubungan kepercayaan yang bertentangan harus berjumlah 1. Tetapi, sering kali terjadi kasus dimana pakar memiliki kepercayaan 0,7 menyatakan bahwa hubungan tersebut adalah benar dan tidak keraguan hal tersebut salah. Asumsi lain yang mendukung teori kepastian adalah isi pengetahuan mengenai aturan lebih penting daripada aljabar kepercayaan yang menyatukan sistem. Ukuran kepercayaan berkorespondensi dengan evaluasi informal yang dihubungkan oleh ahli kepada kesimpulan mereka, seperti “mungkin benar” atau “belum pasti”. Teori kepastian membuat asumsi sederhana dalam menciptakan ukuran kepercayaan
dan
memiliki
aturan
–
aturan
yang
sederhana
untuk
mengkombinasikan kepercayaan – kepercayaan ketika program menghasilkan kesimpulan. Asumsi pertama adalah untuk membagi hubungan “kepercayaan untuk” dari “kepercayaan yang bertentangan dengan” :
55 Anggap MB(H|E) ukuran kepercayaan hipotesa H dengan bukti E. Anggap MD(H|E) ukuran ketidakpercayaan hipotesa H dengan bukti E. Jadi : 1 > MB(H|E) > 0 dimana MD(H|E) = 0, atau 1 > MD(H|E) > 0 dimana MB(H|E) = 0. Kedua ukuran itu memaksa satu sama lain apakah bukti yang diberikan mendukung atau bertentangan dengan hipotesa. Ini adalah perbedaan penting antara teori kepastian dan teori probabilitas. Setelah hubungan antara ukuran kepercayaan dan ketidakpercayaan dibentuk, mereka dapat disatukan kembali dengan kalkulasi faktor kepastian : CF(H|E) = MB(H|E) – MD(H|E). Ketika faktor kepastian (CF) mendekati 1 bukti menjadi semakin kuat untuk sebuah hipotesa, ketika CF mendekati
–1 kepercayaan yang bertentangan
menjadi semakin kuat; dan CF sekitar 0 menunjukkan bahwa sedikit bukti yang ada untuk mendukung atau bertentangan dengan hipotesa. Ketika para ahli menyatukan aturan dasar mereka harus menyetujui sebuah CF untuk setiap aturan. CF ini merefleksikan kepercayaan mereka bahwa aturan tersebut dapat dipercaya. Ukuran kepastian dapat diatur sesuai performa sistem, meskipun sedikit perubahan pada ukuran kepercayaan cenderung menimbulkan efek pada keseluruhan kinerja sistem. Premis untuk setiap aturan dibentuk dari AND dan OR dari sejumlah fakta. Ketika aturan produksi digunakan, faktor kepastian yang diasosiasikan
56 dengan setiap kondisi dari premis digabungkan untuk menghasilkan ukuran kepastian untuk seluruh premis dengan cara berikut : Untuk P1 dan P2, aturan premis, CF(P1 and P2) = MIN(CF(P1),CF(P2)), dan CF(P1 or P2) = MAX(CF(P1),CF(P2)). CF yang dikombinasikan dari premis, menggunakan aturan diatas, kemudian dikalikan dengan CF dari aturan untuk mendapat CF untuk kesimpulan aturan. Contoh, lihat aturan di basis pengetahuan : (P1 and P2) or P3 → R1(0.7) dan R2(0.3) dimana P1, P2, dan P3 adalah premis dan R21dan R2 adalah kesimpulan dari aturan yang memiliki CF 0.7 dan 0.3. Angka – angka ini ditambahkan ke dalam aturan ketika dirancang dan merepresentasikan kepercayaan ahli tentang kesimpulan jika semua premis diketahui secara pasti. Jika program sudah menghasilkan P1, P2 dan P3 dengan CF 0.6, 0.4 dan 0.2, maka R1 dan R2 dapat ditambahkan ke hasil kasus spesifik yang sudah dikumpulkan dengan CF 0.28 dan 0.12. Contoh perhitungan : CF(P1(0.6) and P2(0.4)) = MIN(0.6,0.4) = 0.4. Cf((0.4) or P3(0.2) = max(0.4,0.2) = 0.4. Dalam aturan, CF untuk R1 adalah 0.7, jadi R1 ditambahkan ke dalam fakta benar dengan CF yang diasosiasikan (0.7) * (0.4) = 0.28. Dalam aturan, CF untuk R2 adalah 0.3, jadi R2 ditambahkan ke dalam fakta benar dengan CF yang diasosiasikan (0.3) * (0.4) = 0.12.
57 Perhitungan lebih lanjut dibutuhkan : bagaimana mengkombinasikan beberapa CF ketika dua atau lebih aturan menyebabkan hasil R yang sama. Ini adalah analogi teori kepastian dari prosedur teori probabilitas tentang perkalian ukuran probabilitas untuk mengkombinasikan bukti independen. Dengan menggunakan aturan ini berulang – ulang seseorang dapat mengkombinasikan hasil aturan yang digunakan untuk menentukan hasil R. anggap CF(R1) adalah faktor kepastian yang diasosiasikan dengan hasil R dan aturan yang digunakan sebelumnya menghasilkan hasil R dengan CF(R2); kemudian CF baru dari R dihitung dengan : CF(R1) + CF(R2) – (CF(R1)*CF(R2)) ketika CF(R1) dan CF(R2) positif CF(R1) + CF(R2) + (CF(R1)*CF(R2)) ketika CF(R1) dan CF(R2) negatif CF (R1) + CF ( R2 ) sebaliknya 1 − min ( CF (R1) , CF (R 2 ) ) dimana |X| adalah nilai absolut dari X. Selain gampang dihitung, persamaan memiliki properti lainnya. Pertama, CF yang dihasilkan dari penerapan aturan ini selalu berada diantara 1 dan –1, seperti CF lainnya. Kedua, hasil kombinasi CF yang bertentangan adalah saling meniadakan. Akhirnya, ukuran CF kombinasi adalah fungsi meningkat atau menurun secara monoton dalam cara yang diharapkan untuk mengkombinasi bukti. Teori kepastian dapat dikritik kerena terlalu bersifat “ad hoc”. Meskipun didefinisaikan dalam aljabar resmi, arti dari ukuran kepercayaan tidak semata – mata diciptakan sebagai teori probabilitas resmi. Bagaimanapun, teori kepastian tidak mencoba membuat aljabar untuk penjelasan yang benar, tetapi lebih kepada
58 “pelumas” yang memungkinkan sistem pakar mengkombinasikan kepercayaan ketika menangani masalah. Ukuran yang digunakan sama dengan kepercayaan ahli yang tepat, heuristik dan informal. Ketika MYCIN digunakan, CF digunakan dalam pencarian heuristik untuk memprioritaskan tujuan yang akan dicapai dan titik dimana tujuan akhir sudah tercapai. Tetapi meskipun digunakan untuk menjalankan program dan mengumpulkan informasi, kekuatan program berada dalam isi aturannya. Ini adalah pembenaran untuk kelemahan aljabar kepastian.
2.5.4. Logika Nonmonotonik Dan Pemikiran Dengan Kepercayaan
Semua logika yang sudah kita bahas dapat dikritik karena menggunakan pemikiran ketidakpastian secara kuantitatif. Tidak mungkin manusia untuk menggunakan salah satu teknik tersebut untuk penjelasan dengan ketidakpastian, dan banyak aplikasi lebih memerlukan pendekatan kualitatif ke masalah. Sebagai contoh, pendekatan numerik tidak mendukung penjelasan yang cukup mengenai penyebab ketidakpastian. Jika kita bertanya kepada ahli mengapa kesimpulan mereka tidak pasti, mereka dapat menjawab dalam konteks hubungan kualitatif antara contoh fitur masalah. Dalam model numerik tentang ketidakpastian, informasi ini digantikan dengan ukuran numerik. Pendekatan numerik tidak menunjukkan masalah pengubahan data. Apa yang harus dilakukan oleh sistem jika sebuah informasi ketidakpastian kemudian bernilai benar atau salah? Aljabar faktor kepastian, seperti strategi penjelasan yang sudah kita periksa sejauh ini, terpola sesuai logika matematika. Logika matematika sederhana adalah monotonik; yang dimulai dengan sebuah set aksioma, yang
59 diasumsikan benar, dan invers dari konsekuensinya. Jika kita menambahkan aksioma baru atau fakta pada sistem, akan menyebabkan jumlah pernyataan benar menjadi meningkat; bagaimanapun, penambahan pengetahuan tidak akan membuat jumlah pernyataan benar menjadi berkurang. Ini mengarah kepada masalah jika kita mencoba untuk membuat model penjelasan berdasarkan kepercayaan dan asumsi. Dalam penjelasan mengenai ketidakpastian, manusia akan menarik kesimpulan berdasarkan kepercayaan mereka; bagaimanapun, tidak seperti aksioma matematika, kepercayaan – kepercayaan ini dapat berubah ketika ada lebih banyak informasi. Penjelasan nonmonotonik mengarahkan kepada masalah perubahan kepercayaan. Sebuah sistem penjelasan nonmonotonik menangani ketidakpastian dengan membuat asumsi yang paling masuk akal dengan informasi yang tidak pasti. Kemudian dilanjutkan dengan penjelasan jika asumsi tersebut adalah benar. Selanjutnya, kepercayaan dapat berubah, memerlukan pemeriksaan ulang terhadap kesimpulan yang diturunkan dari kepercayaan itu. Dalam implementasi penjelasan nonmonotonik, kita dapat meluaskan logika kita dengan operator unless. unless mengijinkan kita untuk menggambar inferensi berdasarkan kepercayaan bahwa argumen tidak benar. Anggap kita memiliki kalimat berikut : p unless q → r p r→s
60 Aturan pertama berarti bahwa kita dapat menduga r jika p adalah benar dan kita tidak percaya q adalah benar. Karena kondisi demikian ditemukan, kita invers r, menggunakan r, invers s. Kemudian, jika kita ubah kepercayaan kita, atau mencari bahwa q adalah benar, r dan s harus ditarik. Catat bahwa unless berhubungan dengan kepercayaan dibanding kebenaran. Akibatnya, mengubah nilai argumen dari “tidak diketahui dan dipercaya salah” menjadi “dipercaya atau bernilai benar” dapat membuat kita menarik semua inferensi yang bergantung pada kepercayaan ini. Dengan meluaskan logika kita untuk menjelaskan kepercayaan ini, kita perkenalkan nonmonotonik. Skema penjelasan yang baru dijelaskan dapat digunakan untuk mengkodekan aturan dasar (Reiter,1980). Jika kita mengganti p unless q → r dengan p unless ab p → r, dimana ab p adalah abnormal p, kita menyatakan bahwa kecuali kita memiliki contoh abnormal p, seperti burung dengan sayap patah, kita dapat membuat inferensi bahwa jika x adalah burung, maka x dapat terbang. Representasi lain untuk penanganan pengecualian disajikan dengan frame dan sistem objek. Nonmonotonik adalah fitur penting dari proses pemecahan masalah manusia dan penjelasan berdasarkan pikiran sehat. Ketika kita pergi ke kantor, sebagai contoh, kita membuat beberapa asumsi mengenai keadaan jalan dan lalu lintas. Jika kita mengetahui bahwa asumsi kita salah, mungkin dikarenakan pekerjaan jalan atau kecelakaan dijalur yang biasa kita lalui, kita mengubah rencana kita dan membuat rute alternatif ke kantor.
61 Salah satu masalah yang dihadapi sistem penjelasan nonmonotonik adalah merevisi kesimpulan secara efisien mengenai penjelas dalam perubahan kepercayaan. Dalam contoh, kita menggunakan r untuk menginvers s. Menarik r akan menghilangkan dukungan pada s; kecuali jika terdapat inferensi independen yang mendukung s, itu juga harus ditarik. Mengimplementasi proses itu rumit, membutuhkan kasus terburuk dimana kita menghitung kembali semua kesimpulan dari basis pengetahuan setiap kali kepercayaan berubah. Sistem pemeliharaan kebenaran mencoba mengurangi kekomplekan dengan menyimpan pembenaran dari tiap inferensi. Sebagai contoh, waktu menginvers r, sistem pemeliharaan kebenaran juga akan mencatat pembenaran untuk semua inferensi menggunakan r berikutnya. Dalam mengubah kepercayaan kita di q dan menarik r, sistem pemeliharaan kebenaran tidak perlu menghitung kembali semua kesimpulan; dia akan menggunakan catatan ini untuk memeriksa kalimat.
2.6.
Dasar Kebenaran Nonmonotonik
Menurut
Jackson(367-369),
pendekatan
Doyle
(1989)
mengenai
pemeliharaan kebenaran berdasarkan pada prosedur inferensi yang berbeda dengan pendekatan McAlester, dan memiliki pandangan filosofi yang agak berbeda. Pendekatan ini dimaksudkan untuk membuat aspek model penjelasan yang berdasarkan pikiran sehat, seperti default. Dalam tambahan untuk pengendalian kepercayaan karena bukti positif, kita diijinkan untuk memiliki kepercayaan seperti asumsi yang beralasan, yaitu, karena kita tidak memiliki bukti yang melawan mereka.
62
t
q
¬p ∨ q
t
p
t
q
t
¬p ∨ q
t
p
t
Sebuah pembenaran kepercayaan, P, sekarang adalah pasangan yang teratur mengenai kepercayaan, dimana kita harus merepresentasikan dalam pasangan (INp, OUTp). INp adalah pembenaran konvensional dari bentuk yang digunakan McAlester; berisi proposisi yang kebenarannya memberi kontribusi kepada kebenaran P. OUTp, dilain pihak, adalah pembenaran nonmonotonik, berisi proposisi yang kebenarannya akan menentang P. Pembenaran seperti ini adalah nonmonotonik karena perbuatan akumulasi kepercayaan sederhana dapat menyebabkan kita untuk menarik P; ini bukan merupakan masalah dalam sistem McAlester. Sebagai contoh, alasan untuk p mungkin adalah :
({ }, {¬p}) Menunjukkan bahwa kita diijinkan untuk mengasumsikan p selama belum dipercaya salah. Alasan untuk q mungkin adalah :
({p}, {r})
63 Menunjukkan bahwa kita diijinkan untuk percaya bahwa q selama p adalah in (set kepercayaan yang sekarang) dan r adalah out (yang tidak dipercaya). Catat bahwa alasan dapat berinteraksi, seperti contoh diatas. Jika ¬p adalah out, maka p menjadi in, jadi q menjadi in juga, selama r bukan out. Alasan seperti itu disebut pembenaran SL (Support-List). Aturan umum pembenaran SL adalah kepercayaan P ada dalam set kepercayaan hanya jika setiap kepercayaan dalam INp adalah in dan setiap kepercayaan dalam OUTp adalah out. Doyle menyarankan pembenaran lain dalam tulisannya, tetapi tidak kita bahas disini. Kedua struktur rangkap dari pembenaran dalam sistem Doyle dapat digunakan untuk membedakan ketiga jenis kepercayaan yang berbeda yang berkenaan dengan set kepercayaan B : (1) Premis, adalah proposisi yang dipercaya tanpa pembenaran sama sekali.
{P ∈ B | IN
p
= OUT p = 0}
(2) Deduksi, adalah proposisi yang merupakan kesimpulan dari deduksi monotonik normal:
{P ∈ B | IN
p
≠ 0 and OUT p = 0}
(3) Asumsi, adalah proposisi yang diadakan untuk bernilai benar karena tidak ada bukti yang melawannya.
{P ∈ B | OUT
p
≠ 0}
Seperti dalam sistem McAlester, setiap kepercayaan direpresentasikan dengan sebuah node. TMS dapat melakukan fungsi sebagai berikut : •
Menciptakan node
64 •
Menambah atau menarik pembenaran dari set pembenaran yang mengatur ketergantungan antar node
•
Menandai node sebagai kontradiksi
Ketika TMS membuat node kontradiksi in, penelusuran kembali yang diarahkan ketergantungan diminta untuk mengidentifikasi asumsi dimana penarikan akan membuat node kontradiksi out. Tidak seperti McAlester, logika Doyle benar – benar bernilai empat daripada tiga. Keempat nilai kebenaran direpresentasikan dengan baik dengan set {},{true},{false},{true, false}, yang menunjukkan ketergantungan, kebenaran, kepalsuan dan kontradiksi. Tentu saja proses pemeliharaan kebenaran yang dideskripsikan di bawah dimaksudkan untuk menghilangkan kontradiksi dari set kepercayaan, jadi node memiliki nilai {true, false}hanya sementara. Doyle menggunakan terminologi berikut untuk node, dimana akan berguna dalam menentukan proses pemeliharaan kebenaran : •
Anteceden dari sebuah node adalah node yang ada dalam daftar IN dan OUT.
•
Dasar dari node adalah penutup transitif dari antecedennya.
•
Konsekuensi dari node adalah node yang menyebut node dalam daftar IN dan OUT.
•
Reperkusi sebuah node adalah penutup transitif dari konsekuensinya. Berikut adalah sketsa sederhana tentang algoritma Doyle yang hanya
menggunakan pembenaran SL. Kejadian yang memicu proses pemeliharaan kebenaran adalah penambahan kebenaran ke node. Jika node sudah ada, maka
65 hanya pemeliharaan buku sederhana yang dibutuhkan, selain itu, kedua node dan reperkusinya harus diperbarui. (1) Tambahkan pembenaran baru ke set pembenaran node, dan tambahkan node ke set konsekuensi dari tiap node yang disebut di pembenaran. (2) Periksa konsekuensi node. Jika tidak ada, maka ubah node dari out ke in, buat daftar IN dan OUT nya. Jika tidak, buat daftar L yang berisi node dan reperkusinya, catat status in-out dari tiap node dan tambahkan setiap node dengan status sementara nil. (3) Untuk setiap node N dalam L, cari pembenaran yang valid yang akan membuat bernilai in. Jika tidak ditemukan, tandai node sebagai out. Bagaimanapun, sebar perubahan dalam status N ke konsekuensinya.(sebuah pembenaran adalah valid jika setiap node dalam daftar IN adalah in, dan setiap node dalam daftar OUT adalah out dan tidak berulang – ulang. Sebagai contoh, pembenaran ({ ¬ P},{}) dan ({},{P}) akan berulang jika diterapkan ke P. Yang pertama menyatakan bahwa P adalah in hanya jika ¬ P adalah in, sementara yang kedua menyatakan bahwa P adalah in hanya jika P adalah out. Setiap pembenaran menuju ke kontradiksi ketika diadopsi sebagai alasan untuk P.) (4) Jika node dalam L adalah in dan bertanda kontradiksi, maka panggil prosedur penelusuran kembali yang diarahkan ketergantungan. Jika pemeliharaan kebenaran (langkah 1-3) terjadi selama penelusuran kembali, maka ulangi langkah ini sampai tidak ada kontradiksi yang harus diselesaikan.
66 (5) Bandingkan status pendukung saat ini dari tiap node di L dengan status yang dicatat sebelumnya, dan beritahu pengguna jika ada perubahan status.
2.7.
Probabilitas Dasar Pemikiran
2.7.1. Kebutuhan Akan Informasi Yang Tidak Meyakinkan
Menurut Tanimoto (1987, p.239), dalam banyak pelatihan situasi pemecahan masalah, pengetahuan yang tersedia tidak banyak. Mempredikisi cuaca dan diagnosa penyakit adalah 2 hal yang termasuk dalam situasi. Dalam kasus seperti ini, pengetahuan tidak mencukupi untuk mendukung keinginan yang pendek dari kesimpulan logika. Bagaimanapun, manusia mempunyai cara untuk menggambarkan kesimpulan dari ketidakpastian, atau pengetahuan yang tidak meyakinkan dan informasi. Walaupun pengetahuan manusia tidak lengkap, kita dapat membuatnya dan menggunakannya secara umum dan pendekatannya yang dapat membantu kita untuk meringkas pengalaman kita dan memprediksikan sesuatunya yang kita sendiri belum tahu.. Metode alasan probabilitas memungkinkan sistem kecerdasan buatan untuk menggunakan pengetahuan probabilitas dalam suatu cara yang mengambil ketidakpastian kedalam suatu catatan. Tambahannya, metode probabilitas dapat membantu kita mengakumulasi bukti sebagai hipotesa. Teori keputusan, berhubungan dengan teori probabilitas, menyediakan teknik tambahan yang dapat membantu kita dalam meminimalkan resiko dalam membuat keputusan.
67 2.7.2. Informasi Probabilitas yang alami
Menurut Tanimoto (1987, p.239), kita harus sering berhubungan dengan pernyataan yang mana kenyataan sebenarnya kita tidak mengetahui dan tidak memilki sumber untuk mempelajari dalam waktu yang pendek. Coba pertimbangkan pernyataan “Besok akan hujan di Jakarta” seharusnya penduduk yang ada di Jakarta merencanakan piknik dan sunguh-sungguh inign mengetahui kondisi cuaca yang akan hujan atau tidak. Seharusnya lebih lanjut bahwa dia memiliki perasaan bahwa akan turun hujan, tetapi tidak yakin. Betapa kuatnya perasaan ini berhubungan dengan pernyataan yang sebenarnya?. Bagaimana seharusnya perasaan ini mempengaruhi keputusannya untuk mengadakan piknik? Apa faktor yang secara sadar atau tidak sadar didalam pikirannya yang memberikan peningkatan dalam intuisi? Menanyakan beberapa pertanyaan tersebut akan kelihatan seperti merentangkan pentingnya memprediksi cuaca atau intuisi pada umumnya. Namun, kita bisa menanyakan pertanyaan yang sama tentang sebuah intuisi para dokter dalam mendiagnosa pasien, atau sebuah perasaan analisis finansial tentang bursa saham. Dalam bidang ini, akan tampil kriteria resmi yang pantas yang melengkapi intuisi atau yang kenyataannya mendasari intuisi. Untuk lebih lanjut, kita bisa mendisain mekanisme computational yang secara konsisten dengan kedua kriteria resmi dan intuisi.
68 2.8.
Aturan Bayes
Menurut Tanimoto (1987, p.242), sangat umum untuk menarik sebuah kesimpulan dari sebuah premis. Dengan logika matematik, aturan dari Modus Ponens mengizinkan kita untuk mengambil pengetahuan umum dari sebuah form P → Q dan fakta yang spesifik P dan deduktif Q. Pada bagian ini, kita menghilangkan tingkatan dari kepercayaan jika tingkat kepercayaan adalah nilai sebuah probabilitas. Tergantung dari kejadian yang digambarkan, probabilitas dari sebuah kesimpulan Q dapat diperhitungkan oleh banyak nomor yang tidak terbatas dari sebuah fungsi nomor yang berbeda dari sebuah probabilitas P. Sebuah metode yang menyediakan pendekatan yang pantas dalam situasi yang banyak telah dikembangkan oleh orang Inggris dan seorang ahli matematika, Thomas Bayes Aturan Bayes sangat baik digunakan pada masalah diagnosa penyakit. Kita menghendaki untuk mengetahui probabilitas apakah John menderita malaria, berupa gejala : demam tinggi Kita asumsikan bahwa ada 2 jenis informasi berbeda yang tersedia yang berasal dari probabilitas ini. Yang pertama adalah pengetahuan umum : (a) probabilitas pada penderita malaria (dalam hal ini John), dengan memperhatikan banyak gejala, (b) probabilitas pada penderita gejala demam, yang membuat dia menderita malaria, dan (c) probabilitas pada penderita gejala demam, yang membuat dia tidak menderita malaria. Yang kedua, adanya informasi yang khusus kepada John : yang mana dia memiliki gejala. Kita berikan tanda simbol H untuk hipotesis dan simbol E untuk faktanya :
69 •
H = “John menderita malaria,” dan
•
E = “John menderita demam tinggi.”
Kemudian kita mulai dengan : •
Pengetahuan umum atau “model” yang terdiri dari 1. P (H) : probabilitas terhadap orang yang menderita malaria 2. P (E|H) : probabilitas terhadap orang yang menderita demam tinggi, yang membuat dia menderita malaria 3. P ( E | ¬H ) : probabilitas terhadap orang yang menderita demam
tinggi, yang membuat dia tidak menderita malaria. •
Secara khusus : fakta bahwa John menderita gejala demam tinggi
Kami menginginkan bahwa nilai dari P(H|E) menggambarkan probabilitas bahwa John menderita malaria, yang membuat dia demam tinggi Hal ini bisa diperoleh dengan menggunakan aturan Bayes : P( H | E ) =
P( E | H ) P( H ) P( E )
Dimana P( E ) = P( E | H ) P( H ) + P( E | ¬H ) P(¬H ) Jika diterjemahkan akan seperti ini : probabilitas bahwa John terkena malaria yang membuat dia terkena demam tinggi adalah sama dengan perbandingan dari probabilitas demam dan malaria, terhadap probabilitas seseorang yang menderita demam dengan memperhatikan cuaca atau tidak. Probabilitas yang menderita demam tinggi dihitung sebagai jumlah dari probabilitas conditional yang menderita demam malaria atau tidak menderita
70 malaria, yang dibebankan pada probabilitas dari malaria atau yang bukan malaria, secara berurutan Untuk melanjutkan contoh, andaikan bahwa pengetahuan umum seperti : P (H) = 0,0001
P (E|H) = 0,75
P( E | ¬H ) = 0,14
Kemudian kita mempunyai P (E) = (0,75) (0,0001) + (0,14) (0,9999) Yang mana medekati 0,14006 dan P (H|E) = (0,75) (0,0001) / 0,14006 ≈ 0,0005354 Kemudian probabilitas John menderita malaria, yang membuat dia demam, kurang lebih 0,0005. Pada bagian yang lain, jika John tidak demam, probabilitas John menderita malaria akan seperti
P ( H | ¬E ) =
P(¬E | H ) P( H ) (1 − 0,75)(0,0001) = ≈ 0,000029 (1 − 0,14006) P(¬E )
Atau kurang lebih 0,00003. Kita dapat mengatakan bahwa pengetahuan dari penyakit John yang menderita demam tinggi dapat menumbuhkan probabilitasnya untuk malaria oleh factor yang besarnya 5 sementara pengetahuan dari penyakit John yang tidak menderita demam tinggi probabilitasnya dapat dikurangi sampai factor yang besarnya 3. Kita dapat menyamakan contoh-contoh yang baru saja kita berikan dengan cara menunjukkan bagaimana bukti, sebelumnya dan kondisi probabilitas, dan aturan Bayes secara bersamaan pada tingkat yang pertama sebagai sebuah system decision-making.
71 Pada gambar 2.17 menunjukkan diagram untuk system decision-making. Sistem ini dapat disesuaikan terhadap aplikasi yang lain.
Jika kita selalu mempunyai pengetahuan untuk beberapa masalah kesimpulan,
kita
memperhitungkan
dapat
membuat
probabilitas
dengan untuk
mudah beragam
dan
bersih
masalah
untuk dengan
mempertimbangkan seluruh kesimpulan yang ada. Yang sangat disayangkan, kita sering tidak mempunyai pengetahuan yang akurat dari kondisi probabilitas dari
72 kumpulan gejala-gejala yang diberikan state of health, jadi menurut dalam teori, semua sistem dalam Bayesian pada gambar 2.17 tidak dapat di buat dengan baik. Bagaimanapun, model heuristik dapat digunakan untuk menggambarkan hubungan antara bukti dan kesimpulan. Hubungan yang rumit antara bukti dan kesimpulan akhir dapat dinyatakan sebagai sebuah jaringan dari hubungan yang mudah tidak hanya bukti dan kesimpulan akhir, tetapi juga pernyataan yang tegas. Beberapa jaringan disebut dengan “Probabilistic Inference Networks”.
2.9.
Probabilitas Jaringan Kesimpulan
2.9.1. Daerah Pendekatan
Menurut Tanimoto (1987, p.245), membuat sebuah keputusan berarti memilih diantara bagian alternatif dengan atau tanpa semua informasi yang relevan dan sering dengan informasi yang tidak pasti dengan baik. Kebutuhan akan intelligent decision-making selalu ada dibutuhkan kapan saja dalam ilmu pengetahuan. Kita mencoba model umum dari decision-making dalam perhitungan yang praktis, walaupun belum sepenuhya secara matematika. Disini struktur “Probabilistic
inference
network”
digambarkan
secara
formal
untuk
menunujukkan sistem decision-making. Hal ini sangat baik untuk mengendalikan tugas proses informasi dengan karakteristik yang diikuti : 1. Bagian dari informasi yang tersedia pada level yang beragam yang pasti dan sangat lengkap 2. Kebutuhan agar optimal atau mendekati keputusan optimal
73 3. Kebutuhan untuk membenarkan pernyataan dari bebrapa alternatif pilihan 4. Aturan yang umum dari kesimpulan yang diketahui atau yang tidak bisa ditemukan untuk masalah yang dihadapi Beberapa contoh yang sebenarnya atau daerah yang potensial untuk aplikasi praktis dari jaringan kesimpulan adalah : 1. Diagnosa penyakit 2. Diagnosa kesalahan untuk mesin dan piranti lunak komputer 3. Kemungkinan mineral 4. Investigasi kriminal 5. Strategi militer 6. Strategi pemasaran dan investasi 7. Decision-making dalam proses disain
2.9.2. Komponen Heuristical Dari Jaringan Kesimpulan
Menurut
Tanimoto
(1987,
p.246),
pengetahuan distirbusi kondisi probabilitas
dikarenakan kekurangan dari untuk beragam state
yang
memungkinkan, kesuksesan jaringan kesimpulan yang diberikan biasanya tidak dapat dikembangkan secara langsung oleh aturan Bayes. Aturan Bayes dapat digunakan secara langsung untuk memperkuat hipotesis level-1 dari bukti yang ada jika bukti itu dapat dianggap suatu kepastian.
74
2.9.3. Langkah-langkah Dalam Mendisain Jaringan Kesimpulan
Menurut Tanimoto (1987, p.250-252), langkah dasarnya yaitu : 1. Ketentuan dari pemakaian yang relevan. 2. Ketentuan dari bagian alami atau keputusan alternatif
75 3. Ketentuan dari pernyataan menengah yang mungkin sangat berguna dalam jaringan kesimpulan 4. Formula dari hubungan kesimpulan 5. Pengaturan probabilitas dan / atau fungsi kesimpulan fuzzy Pembentukan dari hubungan kesimpulan mungkin dapat dilakukan di dalam basis dari hubungan diantara atribut. Yang pertama, sebuah pencarian dibuat untuk hubungan logika yang mudah, dan kemudian bertambah lebih rumit. Berdasarkan kompleksitasnya kita mempunyai : 1. Logika setuju 2. logika tidak setuju – korelasi tidak setuju yang kuat 3. Logika implikasi –kapanpun terjadi pada A, B begitu juga. 4. Konjungsi – C terjadi kapanpun diantara A dan B terjadi 5. Disjungsi – C terjadi kapanpun salah satu A dan B terjadi 6. Disjungsi eksklusif – antara A dan B yang terjadi namun tidak keduanya Jika aturan Bayes digunakan untuk membuat koneksi level pertama dalam jaringan, kemudian tidak membutuhkan aturan fuzzy kesimpulan pada level tersebut. Tetapi logika fuzzy dan / tidak “Subjective-Bayesian” dapat meng-update fungsi yang dapat digunakan pada level berikutnya untuk menggambarkan informasi yang digunakan untuk memperbanyak level tersebut. Nilai dari probabilitas dihubungkan dengan bagian-bagian yang beragam yang membutuhkan jaringan yang akan di perbaiki untuk memberikan hasil yang lebih baik. Probabilitas sebelumnya untuk keadaan
76 yang alami dan pernyataan lanjut harus di tentukan jika bayesian atau subjective-Bayesian akan digunakan. Probabilitas Class-conditional juga dibutuhkan untuk meng-update, dan harus dipilih secara benar untuk memberikan hasil yang maksimal. Metode pembelajaran statistical mungkin akan digunakan untuk memperoleh dan untuk meningkatkan probabilitas perkiraan. Bagaimanapun, pada sebagian besar aplikasi, tidak akan dapat percobaan yang cukup untuk mendapatkan nilai yang baik secara otomatis, dan digabungkan secara langsung untuk mencapai hasil yang sangat baik. Sebagai contoh, sesorang teknisi mobil yang baru harus belajar tentang merek mobil yang baru. Kita akan menganggap hubungan dan probabilitas diperlukan untuk membangun sebuah jaringan kesimpulan yang disediakan oleh seorang pakar, yang bekerja sama dengan seorang programmer AI untuk membangun sebuah sistem pakar.
2.10. Kesulitan Dan Aturan Bayes
Menurut Tanimoto (1987, p.253), seperti yang telah dijelaskan sebelumnya, aturan Bayes biasanya di formulasikan seperti berikut : P( H | E ) =
P( E | H ) P( H ) P( E )
Ekspresi dari hipotesis probabilitas ini, memberikan pembuktian, sebagai sebuah hasil dari probabilitas kondisional untuk pembuktian yang diberikan oleh sebuah hipotesis, dikalikan dengan probabilitas sebelumnya dari semua hipotesis dan dibagi oleh bukti probabilitas sebelumnya. Kita mungkin juga dapat
77 mengekspresikan negasi probabilitas dari sebuah hipotesis menggunakan aturan Bayes P (¬H | E ) =
P( E | ¬H ) P(¬H ) P( E )
Sekarang kita memperoleh formula odds likelihood untuk aturan Bayes dengan membagi dua persamaan. Secara singkat, kita akan menulis kembali formula odds-likelihood dengan menggunakan ketentuan untuk peristiwa yang sulit. Sebuah peristiwa X mempunyai probabilitas P(X) seperti berikut : 0( X ) =
P( X ) 1 − P( X )
Hubungan ini dapat dibalikkan, dengan membiarkan probabilitas di perhitungkan dari formula : P( X ) =
0( X ) 1 + 0( X )
Kita sekarang dapat mengekspresikan formula odds-likelihood untuk aturan Bayes dengan sangat mudah : 0( H | E ) = λ 0( H ) Barangkali, konstruksi dari sebuah jaringan kesimpulan, seorang pakar menyediakan nilai untuk λ pada setiap aturannya. Jika λ lebih besar daripada 1, aturannya mempunyai pengaruh yang besar yang mengindikasikan kehadiran dari bukti E yang membuat lebih memungkinkan bahwa H adalah benar. Pada kasus ini, kita mungkin dapat mengatakan bahwa E menjadi “cukup” untuk H. Jadi, kita mungkin harus mengacu pada λ sebagai suatu koefisien yang cukup sebagai aturan. Juga, jika λ mendekati nol, kemudian bukti tersebut berkurang
78 kemungkinannya adalah H, dan itu akan menjadi alasan untuk mengatakan bahwa E adalah cukup untuk ¬H . Sekarang, andaikan E adalah salah atau tidak diketahui. Maka kita dapat menuliskan : O ( H | ¬E ) = λ ′O( H ) Dimana λ ′ dapat ditulis : P (¬E | H ) 1 − P( E | H ) = P (¬E | ¬H ) 1 − P ( E | ¬H ) Formula ini menyediakan cara untuk meng-update H ketika informasi mengenai E tidak diketahui. λ ′ tidak diperoleh dari λ , jadi hal tersebut harus disediakan oleh seorang pakar. Jika 0 < λ ′ <<1, (karena itu, λ ′ diantara 0 dan 1 tapi lebih mendekati 0 daripada mendekati 1), kemudian kita dapat mengatakan bahwa E lebih “membutuhkan” bagi H karena tidak adanya E membuat H menjadi tidak mungkin terjadi. Kita kembali ke contoh sebelumnya, dimana kita menghitung probabilitas bahwa John menderita malaria, yang membuat dia menderita demam tinggi. Ketika P(H), probabilitas sebelumnya ketika John menderita malaria, adalah 0,0001, O(H), adalah 0,0001/0,9999 ≈ 0,0001. Kita menghitung λ dengan P( E | H ) / P( E | ¬H ) = 0,75 / 0,14 ≈ 5,3571
dan
λ′
dengan
(1 − P( E | H )) /(1 − P( E | ¬H )) = 0,25 / 0,86 ≈ 0,2907 . Jika kita mengetahui bahwa John
menderita
demam
tinggi
dan
kita
menghitung
O ( H | E ) = λO ( H ) ≈ 5,3571 × 0,0001 ≈ 0,000536 . Jika kita mengetahui, secara
79 berlawanan, John tidak menderita demam tinggi, kita dapat menghitung O ( H | ¬E ) = λ ′O ( H ) ≈ 0,2907 × 0,00001 ≈ 0,000029 . Didalam
probabilitas
jaringan
kesimpulan,
sebuah
garis
yang
menghubungkan kedua node harus diberi tanda dengan sebuah nilai untuk λ dan
λ ′ untuk mengindikasikan bagaimana kehadiran atau ketidak hadiran dari sebuah bukti yang mempengaruhi sebuah hipotesis.
(λ = 1.8, λ ′ = 0.6)
Walaupun λ dan λ ′ fungsinya tidak bergantung antara yang satu dengan yang lain, mereka juga tidak bebas sepenuhnya. Ekspresi berikut yang menggambarkan λ dan λ ′ dan probabilitas kondisional dari E yang tidak ada pada H
λ′ =
1 − λ P ( E | ¬H ) 1 − P ( E | ¬H )
2.10.1. Dilema Dalam Bayesian Untuk Jaringan kesimpulan
Menurut Tanimoto (1987, p.257), dalam hal untuk menggaplikasikan aturan Bayes dengan cara yang sangat berarti dalam jaringan kesimpulan, hal tersebut sangat dibutuhkan untuk probabilitas prior yang beragam didalam jaringan yang konsisten dengan lainnya. Kekurangan didalam beberapa pengamatan E’, jika kita menggunakan probabilitas sebelumnya untuk E untuk
80 menghitung probabilitas yang diperbaharui untuk H, “Pembaharuan” seharusnya tidak memberikan yang lain daripada probabilitas sebelumnya terhadap H. Hal itu tentu saja akan sangat mudah untuk seorang pakar, untuk menyediakan probabilitas sebelumnya yang tidak akan mengalami keterbatasan. Sebagai contoh, andaikan seorang dokter memberikan sebuah probabilitas sebelumnya 0,3 kepada E, menyatakan bahwa 3 dari 10 orang menderita demam. Jika kita menggunakan nilai ini untuk memperoleh P(H|E), maka probabilitas dari H
memperlihatkan
menggunakan
“perkiraan”
interpolasi
dari probabilitas liner
diatas,
E,
kemudian
kita
dengan
mendapatkan
P = 0,3 × 0,0005354 + 0,7 × 0,000029 ≈ 0,000181 . Nilai ini harus sama dengan P(H) = 0,0001 tapi hal ini kurang lebih 80 persen lebih besar. Walaupun kita dapat mendisain peralatan yang dapat memudahkan pekerjaan seorang pakar untuk membuat pengaturan dari probabilitas sebelumnya, hal ini menganggu karena telah tersedianya pekerjaan yang sulit dalam membuat bentuk yang baik dalam bidang keahlian. Probabilitas sebelumnya untuk H harus cocok dengan probabilitas sebelumnya untuk E sepanjang garis yang bersinggungan dengan 2 nilai yang tingggi. Bagaimanapun keduanya tidak dapat disamakan, dan P(E), probabilitas sebelumnya dari E yang mana akan lebih konsisten dengan probabilitas sebelumnya untuk H, yang bisa ke kanan atau ke kiri untuk probabilitas sebelumnya untuk E yang sebenarnya diberikan oleh pakar. Pemecahan yang tidak konsisten adalah pertanyaan yang sangat penting karena kebiasaan yang menyimpang harus dihindari. Sebuah contoh dari kebiasaan yang tidak baik
81 timbul ketika pengamatan yang dilakukan telah pasti terhadap probabilitas dari E lebih rendah daripada suatu probabilitas sebelumnya dan kurang dari nilai probabilitas yang harus konsisten dengan probabilitas sebelumnya dari hipotesis, dan hasilnya adalah probabilitas untuk hipotesis tersebut sebenarnya lebih rendah, walaupun bukti tersebut mengharuskan untuk di dukung. Dua fungsi piecewise-linear lainnya adalah perhatian yang khusus. Gambar 2.20 menggambarkan fungsi yang di update yang tepat untuk P(E|E’) dibawah P(E). Jika bukti pada E tidak ada, maka tidak ada pengaruh pada probabilitas yang ada pada H; probabilitas sebelumnya dari H adalah tetap. Pada kasus ini bukti dari E terlalu sedikit untuk H tetapi tidak semuanya penting untuk H. Fungsi ini seharusnya disebut dengan fungsi update “sufficient-only” .
P(H| ¬E) Pc (E )