Backward Chaining (Mesin Inferensi)

            Runut balik (Backward chaining) merupakan metode penalaran kebalikan dari metode runut maju (forward chaining). Dalam runut balik penalaran dimulai dengan tujjuan kemudian merunut balik ke jalur yang akan mengarahkan ke tujuan tersebut (Giarattano dan Riley, 1994). Runut balik bisa juga disebut sebagai goal-driven reasoning, yaitu cara yang efisien untuk memecahkan masalah-masalah yang dimodelkan sebagai masalah pemilihan terstruktur.

            Proses yang dilakukan pada metode runut mundur yaitu ingin mendapatkan salah satu konklusi dari konklusi yang ada, jika pada runut maju menggunakan beberapa premis, pada metode ini yang ingin didapatkan juga sama , hanya saja digunakan salah satu konklusi dari banyak konklusi atau tidak dari konklusi yang ada.

            Penelusuran metode ini didasarkan bahwa ada kemungkinan dari konklusi-konklusi yang ada merupakan salah satu tujuan terpilih dari fakta yang diberikan oleh pemakai. Sistemdengan urutan tertentu akan mengambil sebuah konklusi menjadi calon konklusinya. Misal urutannya sesuai dengan sebuah konklusi  1 dan diambil konklusi 1 sebagai hipotesisnya, maka untuk membuktikan hipotesisnya sistem akan mencari premis-premis yang mengandung konklusi 1. Setelah itu sistem akan memberikan umpan balik kepada pemakai berupa premis-premis yang ada misalnya ada premis 1, premis 2 dan premis 3, maka sistem akan mencari tahu apakah pemakai memilih premis-premis tersebut.

            Cara untuk mengambil umpan balik yaitu dengan mencari daftar premis yang dipilih oleh user atau dengan cara menanyakan satu-persatu premis yang seharusnya dipilih. Jika ada premis yang tidak  dipilih oleh user maka hipotesis atas konklusi tersebut gugurn artinya fakta yang dimasukan oleh user konklusinya bukan pada konklusi 1. Setelah itu sistem akan melanjutkan hipotesis ke konklusi selanjutnya, dan seterusnya dilakukan seperti itu sampai ditentukan konklusi yang semua premis dalam aturannya dipilih.

            Jika sampai tahap terakhir tidak ada premis yang terpenuhi maka sistem akan mengambil kesimpulan bahwa konklusinya berada diluar pengetahuannya, yang berarti sistem tidak menemukan solusi untuk premis-premis pilihan user.

Karakteristik Backward Chaining:

•         Diagnosis
•          Disajikan untuk masa lalu
•          Konsekuen ke antecedent
•          Tujuan memandu, penalaran dari atas ke bawah
•          Bekerja ke belakang untuk mendapatkan fakta yang mendukung hipotesis
•          Depth first search dimudahkan
•          Konsekuen menentukan pencarian
•          Penjelasan difasilitasi

Contoh  : 

R1 : IF suku bunga turun THEN harga obligasi naik

R2 : IF suku bunga naik THEN harga obligasi turun

R3 : IF suku bunga tidak berubah TH

EN harga obligasi tidak berubah

R4 : IF dolar naik THEN suku bunga turun

R5 : IF dolar turun THEN suku bunga naik

R6 : IF harga obligasi turun THEN beli obligasi

Apabila  diketahui  bahwa  dolar  turun,  maka  untuk  memutuskan  apakah  akan  membeli  obligasi  atau tidak dapat ditunjukkan sebagai berikut :

Jika digunakan Backward Chaining maka solusinya adalah sebagai berikut:

            Dari  solusi  yaitu  membeli  obligasi,  dengan  menggunakan  Rule  6  diperoleh  anteseden  harga  obligasi turun. Dari Rule 2 dibuktikan harga obligasi turun bernilai benar jika suku bunga naik bernilai  benar  .  Dari  Rule  5  suku  bunga  naik  bernilai  memang  bernilai  benar  karena  diketahui  fakta dolar turun. 

Sumber:

Kusrini. 2008. Aplikasi Sistem Pakar: Menentukan Faktor Kepastian Pengguna dengan Metode Kuantifikasi Pertanyaan. Yogyakarta: Andi.

http://sumarna.staff.gunadarma.ac.id/Downloads/files/29148/6+Metode+Inferensi.doc

http://merlindriati.staff.gunadarma.ac.id/Downloads/files/33330/kecerdasan-buatan-v-2-0-bab-5-8.pdf

Forward Chaining (Inference Engine)

Dalam tulisan sebelumnya saya sudah membahas sekilas tentang apa itu mesin inferensi (inference engine), selanjutnya kita akan membahas salah satu metode yang biasanya dipakai pada mesin inferensi yaitu Forward Chaining. Disini saya akan menjelaskan apa itu teknik forward chaining dan contoh sederhana pengerjaan forward chaining.

Forward Chaining adalah teknik pencarain yang dimulai dengan fakta yang diketahui, kemudian mencocokan fakta-fakta tersebut dengan bagian IF dari rules IF-THEN. Bila ada fakta yang cocok dengan bagian IF, maka rule tersebut dieksekusi. Bila sebuah rule dieksekusi, maka sebuah fakta baru (bagian THEN) ditambahkan ke dalam database. Setiap rule hanya boleh dieksekusi sekali saja. T.Sutojo, c.t, 2010. Jadi bisa dikatakan forward chaining adlah penalaran yang dilakukan dari fakta menuju kesimpulan yang dihasilkan fakta tersebut.

Karakteristik Forward Chaining:

•          Perencanaan, monitoring, kontrol
•          Disajkan untuk masa depan
•          Antecedent ke konsekuen
•          Data memandu, penalaran dari bawah ke atas
•          Bekerja ke depan untuk mendapatkan solusi apa yang mengikuti fakta
•          Breadth first search dimudahkan
•          Antecedent menentukan pencarian
•          Penjelasan tidak difasilitasi

Contoh Kasus:

R1 : IF suku bunga turun THEN harga obligasi naik

R2 : IF suku bunga naik THEN harga obligasi turun

R3 : IF suku bunga tidak berubah THEN harga obligasi tidak berubah

R4 : IF dolar naik THEN suku bunga turun

R5 : IF dolar turun THEN suku bunga naik

R6 : IF harga obligasi turun THEN beli obligasi

Apabila diketahui bahwa dolar turun, maka untuk memutuskan apakah akan membeli obligasi atau tidak, dalam forward chaining dapat ditunjukkan sebagai berikut :

Dari fakta dolar turun, berdasarkan Rule 5, diperoleh konklusi suku bunga naik. Dari Rule 2 suku bunga naik menyebabkan harga obligasi turun. Dengan Rule 6, jika harga obligasi turun, maka kesimpulan yang diambil adalah membeli obligasi.

            Sekian tulisan tentang forward chaining, untuk backward chaining akan saya bahas pada tulisan yang berikutnya.

Sumber:

Hayadi, B.Herawan, 2016. Sistem Pakar: Penyelesaian Kasus Menentukan Minat Baca, Kecenderungan, dan Karakter Siswa dengan Metode Forward Chaining. Yogyakarta: Deepublish.

http://sumarna.staff.gunadarma.ac.id/Downloads/files/29148/6+Metode+Inferensi.doc

http://merlindriati.staff.gunadarma.ac.id/Downloads/files/33330/kecerdasan-buatan-v-2-0-bab-5-8.pdf

Rosnelly, Rika. 2012. Sistem Pakar: Konsep dan Teori. Yogyakarta: Andi.

Mesin Inferensi

Inferensi merupakan proses untuk menghasilkan informasi dari fakta yang diketahui atau diasumsikan. Inferensi adalah konklusi logis (logical conclusion) yang merupakan imlikasi berdasarkan informasi yang tersedia. Pada sistem pakar proses inferensi dilakukan olehsuatu modul yang dinamakan mesin inferensi (inference engine). Pada komponen ini terkandung suatu mekanisme pola pikir yang digunakan oleh seorang pakar dalam memecahkan masalah.

Mesin inferensi adalah modul yang merangkaikan basis data untuk menjadi sebuah kesimpulan. Mesin inferensi ini yang akan digunakan untuk menyelesaikan masalah yang diberikan kepada komputer. Data yang diambil dari basis pengetahuan diambil berdasarkan masalah apa yang akan diselesaikan oleh komputer, dan metode yang akan digunakan untuk menyelesaikan masalah itu pun akan berbeda-beda sesuai dengan pokok masalah. Jika masalah yang diberikan tidak dapat diselesaikan maka masalah tersebut akan disimpan ke dalam data.

Hasil pemrosesan yang dilakukan oleh mesin inferensi dari sudut pandang pengguna yang bukan pakar berupa konklusi yang di rekomendasikan oleh sistem pakar atau dapat juga berupa penjelasan jika memang dibutuhkan oleh pengguna. Untuk meningkatkan kemampuan sistem  pakar,  pada  sistem  tersebut  harus  dapat  dilakukan  proses  pembaharuan  pada  basis pengetahuan (knowledge base)  dan penyempurnaan pada mesin inferensi (inference engine) sehingga solusi yang dihasilkan lebih baik daripada sebelumnya [Hartati dan Iswanti dalam Kamsyakawuni].

Ada dua metode inferensi yang digunakan dalam sistem pakar yaitu Forward Chaining (runut maju), dan Backward Chaining (runut mundur) yang akan dibahas pada tulisan selanjutnya.

Sumber:
            Kamsyakawuni Ahmad. 2012. Aplikasi Sistem Pakar Untuk Diagnosa Penyakit Hipertiroid dengan Metode Inferensi fuzzy Mamdani (Tesis), Semarang: Universitas Diponegoro.

Kusrini. 2006. Sistem Pakar: Teori dan Aplikasi. Yogyakarta: Andi.

http://repository.usu.ac.id/bitstream/123456789/23487/4/Chapter%20II.pdf

Basis Pengetahuan (Bagian 3)

Frame Based Knowledge

Model   representasi   bingkai   (frame    based   representation)   adalah    salah    satu representasi  pengetahuan  yang  dipakai  untuk  menyimpan  pengetahuan  dan  fakta  mengenai subyek  tertentu.  Model  ini  didukung  oleh  OKBC  yang  dapat  memfasilitasi  interoperabilitas antar basis pengetahuan.[Fridman, 2000]

Representasi pengetahuan dengan bingkai:

1.      Frame

Sebuah  FRS  mengelola  pengetahuan  dalam  gaya yang berorientasi objek.  “object  oriented”,  dimana fakta akan dihubungkan  dengan  obyek  yang  disebutkan  dalam  fakta dalam sebuah frame.  Frame  adalah  obyek  dimana  fakta saling dikaitkan. Frame membutuhkan nama,  yang kemudian FRS memelihara pemetaan dari nama  obyek  frame. Frame  ini  tercatat  sebagai  entitas  dalam  dunia  konseptual.  Frame tersimpan secara terbatas dalam basis pengetahuan.

2.      Slot

Slot  adalah  pemetaan  dari  frame kepada  himpunan  dari  nilai. Slot  juga  dikenal  dengan  nama.

3.      Classes and Instances

Classes and instancesClass  adalah  himpunan  dari  instance,  dimana  disebut  dengan  instance  dari  class. Sebuah entitas dapat menjadi instance dari banyak class, dimana disebut dengan tipenya, dan sebuah class dapat menjadi type dari banyak class. 

4.      Slot Value Inharitance dan Default

Slot   adalah   pemetaan   dari   sebagian   frame   ke   himpunan   nilai. Tetapi   karena modularitas dan alasan lain FRS mengizinkan satu slot untuk mendeskripsikan himpunan dari pemetaan untuk semua instance dari class.

5.      Facets

Facets  adalah  keterangan  dari  slot. Facet  memiliki  nilai  yang  sama  dengan  nilai  slot.

Object Based Knowledge

Adalah sebuah sistem yang dirancang untuk membentuk basis pengetahuan dengan bentuk objek dan kelas. Karena system ini bekerja dengan dasar objek dan kelas yang sangat ekspresif, layanan system ini lebih cocok untuk meneyediakan representasi sistem berbasis pengetahuan. Namun sistem ini sulit untuk diterapkan dengan benar.

Sumber:

Priandoyo, Anjar. 2004, Penggunaan Kembali Basis Pengetahuan Dengan Representasi Bingkai Dalam Aplikasi Kecerdasan Buatan. Yogyakarta

http://www.sciencedirect.com/science/article/pii/030643799090013F

Basis Pengetahuan (Bagian 2)

Rule based System Adalah suatu cara untuk menyimpan dan memanipulasi data pengetahuan untuk menyediakan informasi yang berguna. Bentuk ini digunakan apabila kita memiliki sejumlah pengetahuan pakar pada suatu permasalahan tertentu, dan pakar dapat menyelesaikan masalah tersebut secara berurutan. Disamping itu, bentuk ini juga digunakan apabila dibutuhkan penjelasan tentang langkah-langkah pencapaian solusi.

Jikalau ingin membuat Rule Based System untuk masalah tertentu, maka anda harus memiliki:

1. Sekumpulan fakta untuk mewakili pekerjaan yang nantinya akan dilakukan.
2.         Sekumpulan fakta.
3.       Sebuah kondisi yang menentukan bahwa solusi telah ditemukan atau tidak ada satupun yang exist.

Keuntungan Rule Based System:

1.              Modularity
2.       Uniformity
3.            Naturalness

k    Kerugian Ruled Based System:

1.      Infinite Chaining
2.      Possibility of Contraditions
3.      Inefficiency
4.      Opacity
5.      Complex Domains
6. 
   

Case Based Reasoning dilakukan pada penalaran berbasis kasus (cases), basis pengetahuan berisi solusi-solusi yang telah dicapai sebelumnya, kemudian akan diturunkan suatu solusi untuk keadaan yang terjadi sekarang (fakta yang ada). Bentuk ini digunakan apabila user menginginkan untuk mengetahui lebih banyak lagi pada kasus-kasus yang hampir sama (mirip). Selain itu, bentuk ini juga digunakan apabila kita telah memiliki sejumlah situasi atau kasus tertentu dalam basis pengetahuan atau dapat diartikan pengetahuan direpresentasikan dalam bentuk kesimpulan kasus.

Case-Based Reasoning (CBR) terdiri dari atas empat langkah utama, yaitu:

1. Retrieve : yaitu mengambil kembali permasalahan yang sama. Pada langkah ini dilakukan  proses pencarian atau kalkulasi dari kasus-kasus yang memiliki kesamaan.
2.  Reuse : yaitu menggunakan kembali informasi dan pengetahuan dalam kasus tersebut untuk  mengatasi masalah baru. Pada langkah ini dicari solusi dari kasus serupa pada kondisi sebelumnya  untuk permasalahan baru.
3. Revise : yaitu meninjau kembali solusi yang diberikan. Pada langkah ini dicari solusi dari  kasus serupa pada kondisi sebelumnya  untuk permasalahan yang terjadi kemudian.
4. Retain : yaitu mendalami bagian dari pengalaman sebelumnya untuk digunakan dalam  pemecahan masalah berikutnya.

Sumber:

 http://markethiller.blogspot.com/2011/09/rule-based-system.html#ixzz4PfOrpcxG

 http://cs.ugm.ac.id/computerscience/2012/05/09/sri-mulyana-m-kom/

 http://informatika.web.id/basis-pengetahuan-knowledge-base.htm

Pembuktian Beberapa Hukum Interverensi.

Hukum Datasemen adalah hukum yang bertujuan mencari solusi dari sebuah pernyataan dan sebuah premis.
Logika:
pàq

q
kesimpulannya adalah p.

Pada hukum datasemen kita mempunyai sebuah pernyataan implikasi dan satu premis. Pernyataan pertama merupakan jika p maka q, dan premis yang menyatakan hasil adalah q. maka karena p maka q, kesimpulannya adalah p.

Pada tabel kebenaran dilakukan pembuktian terhadap hukum datasemen. Pada kolom terakhir hasil yang ada menunjukan "TRUE" yang berarti pembuktian melalui tabel kebenaran berhasil.

Hukum Kontraposisi adalah hukum yang bertujuan mencari negasi suatu pernyataan dan pernyataan yang dinegasikan akan ditukar posisinya.

Logika:
pàq jika p maka q
~qà~p jika bukan q maka bukan p

Kontraposisi dari pernyataan implikasi pàq akan menghasilkan ~qà~p, yang dilakukan dari hukum ini adalah mebalik premis sebuah pernyataan dan membuat negasi dari pernyataan tersebut. Nilai dari kedua implikasu tersebut akan bernilai benar.

Dalam pembuktian tabel kebenaran dapat dilihat bahwa semua kolom terakhir bernilai "TRUE", yang berarti pembuktian hukum kontraposisi dengan tabel kebenaran berhasil.

Hukum Inferensi disjungsi adalah cara menghasilkan kesimpulan dari sebuah pernyataan disjungsi dan sebuah negasi dari premis.

Logika:
p v q: p atau q
~q: bukan q
Kesimpulannya adalah p

Hukum inverensi disjungsi mempunyai sebuah pernyataan disjungsi dan satu premis yang dinegasikan. Karena pernyataan pertama merupakan disjungsi bisa disebut juga "atau" maka jika salah satu bernilai benar maka hasilnya benar. Pernyataan kedua berisi negasi dari premis q. Karena pernyataan pertama itu menyatakan "atau" dan pernyataan kedua menyatakan negasi dari salah satu premis pernyataan pertama, maka kesimpulannya adalah p atau premis pertama. 

Dalam penyelesaian tabel kebenaran dapat dilihat bahwa semua nilai pada kolom terakhir bernilai "TRUE"/Tautologi yang mebuktikan bahwa pembuktian menggunakan tabel kebenaran pada hukum ini berhasil.

Hukum Negasi adalah hukum yang menyatakan sebuah keterbalikan atau lawan dari sebuah premis yang bernilai benar menjadi salah atau sebaliknya.

Logika:
~(p) :negasi dari p
~p: kesimpulan adalah nilai bukan p

Negasi dari pernyataan p adalah ~p, yang menegaskan kebalikan dari pernyataan p adalah bukan p. Dalam penyelesaian tabel kebenaran dapat dilihat bahwa kolom terakhir bernilai "TRUE" yang berarti pembuktian pada tabel kebenaran berhasil.

Silogisme secara umum adalah cara mencari sebuah solusi yang berasal dari dua buah pernyataan. 

Logika:

pàq : Jika p maka q

qàr: Jika q maka r

Kesimpulannya adalah pàr: jika p maka r.

Dalam hukum silogisme kita mempunyai 3 premis yaitu p, q, dan r. Pernyataan yang pertama dibuat adalah implikasi  jika p maka q, lalu penyataan kedua adalah implikasi jika q maka r. Jika dilihat dari kedua peryataan tersebut pernyataan pertama dan kedua memilik premis yang sama yaitu q. Maka kesimpulan dari 2 implikasi tersebut adalah implikasi baru jika p maka r. Karena jika premis p menghasilkan premis q, dan jika premis q menghasilkan premis r, secara otomatis kesimpulan yang dibuat adalah jika p maka r.

Dalam penyelesaian table kebenaran kita bisa melihat bahwa semua baris pada kolom terakhir bernilai “TRUE” yang berarti pembuktian aturan rantai (hukum silogisme) menggunakan table kebenaran berhasil. 

Basis Pengetahuan (Bagian 1)

Basis pengetahuan (Knowledge Base) adalah sebuah basis data yang dibuat dengan tujuan untuk memudahkan menajemen data pengetahuan. Data pengetahuan tersebut dikoleksi, diorganisasi, dan dapat dilakukan pemasukan dan pengambilan data pengetahuan tersebut. Basis pengetahuan merupakan inti dalam program sistem pakar Karena semua pengetahuan yang terkandung merupakan representasi pengetahuan dari seorang pakar yang diperlukan untuk memahami, memformulasikan dan memecahkan masalah. Implementasi basis pengetahuan dibagi kedalam dua kelompok yaitu table fakta dan table rule:

1. Fakta yang berupa informasi tentang situasi permasalahan, teori dari area permasalahan atau informasi tentang objek.
2.           Spesial heuristik yang merupakan informasi tentang cara bagaimana membangkitkan fakta baru dari fakta yang sudah diketahui. Dalam sistem pakar berbasis rule, bagian ini berupa rules.

Basis pengetahuan merupakan totalitas keahlian pakar, karena basis pengetahuan adalah system yang sangat penting, maka ada cara-cara dalam reperesentasi pengetahuan yang sudah dikenal diantaranya:

• Rule-Based Knowledge
• Pengetahuan direpresentasikan dalam suatu bentuk fakta (facts) dan aturan (rules). Bentuk representasi ini terdiri atas premis dan kesimpulan. Pada penalaran berbasis aturan, pengetahuan dipersentasikan dengan menggunakan aturan berbentuk : IF-THEN. Bentuk ini digunakan apabila kita memiliki sejumlah pengetahuan pakar pada suatu permasalahan tertentu, lalu pakar menyelesaikan bentuk ini secara berurutan sesuai dengan masalah yang dihadapi mulai dari langkah yang sederhana hingga rumit. Bentuk ini juga digunakan apabila kita ingin mengetahui penjelasan langkah-langkah yang dilakukan seorang pakar 

• Case-Base Reasoning
• Pada penalaran berbasis kasus (cases), basis pengetahuan berisi solusi-solusi yang telah dicapai sebelumnya, kemudian akan diturunkan suatu solusi untuk keadaan yang terjadi sekarang (fakta yang ada). Bentuk ini digunakan apabila pengguna ingin mengetahui penyelesaian sebuah kasus lebih detail pada kasus yang permasalahannya hampir sama. Selain itu bentuk ini digunakan jika pengguna ingin mempresentasikan sebuah kasus dalam bentuk sebuah kesimpulan..

•  Frame-Based Knowledge
• Pengetahuan direpresentasikan dalam suatu bentuk hirarki atau jaringan frame.

• Object-Based Knowledge
• Pengetahuan direpresentasikan sebagai jaringan dari objek-objek. Objek adalah elemen data yang terdiri dari data dan metode (proses).

Penjelasan diatas hanya ulasan sebagian dari basis pengetahuan (knowledge base). Pada tulisan selanjutnya saya akan membahas sedikit lebih detail tenatang representasi basis pengetahuan pad acara Rule-based System dan Case-based reasoning.

Sumber:

http://informatika.web.id/basis-pengetahuan-knowledge-base.htm

https://id.wikipedia.org/wiki/Basis_pengetahuan

Contoh Program Prolog Tentang Obat-Obatan dan Jenis Penyakit

Output Program yang diminta:

1. Obat apa yang bisa menyembuhkan cough dan nasal congestion ?
2. Obat apa yang bisa menyembuhkan batuk jika pasien mempunyai gejala penyakit diabetes dan glaucoma ?
3. Obat apa yang bisa menyembuhkan nausea ? Pasien tersebut menderita penyakit apa?
4. Apa yang bisa menyembuhkan pilek ?
5. Apa yang dapat menyembuhkan pilek dapat menyembuhkan hidung yang sakit ?
6. Obat apa yang bisa diminum jika pasien menderita penyakit ashtma ? obat tersebut juga dapat diminum dalam kondisi apa ?
7. Obat yang dapat digunakan juga sebagai pain killer ?
8. Obat apa yang harus diminum oleh john ? 

Soft Computing

      Pada saat ini komputer merupakan alat yang tidak bisa dipisahkan dari kita pada kehidupan sehari-hari. Berbeda dengan masa lampau, komputer hanya dianggap barang mahal, canggih, dan dapat menghitung lebih cepat dari manusia, tetapi saat ini, komputer adalah sebuah alat yang bila terkoneksi dengan jaringan internet akan membawa kita seperti keliling dunia. Kita selalu berpikir bahwa komputer akan memecahkan semua masalah dalam kehidupan kita, tetapi tidak semua masalah yang kita hadapi akan dipecahkan oleh sebuah rumusan yang pasti dan eksak. Banyak masalah yang membutuhkan banyak faktor untuk menyelesaikannya, untuk itu dibuatlah soft computing untuk memecahkan masalah tersebut.

        Soft computing adalah segolongan metoda yang mampu mengolah data dengan baik walaupun didalamnya terdapat ketidakpastian, ketidakakuratan maupun kebenaran parsial (Prof. Lotfi A Zadeh, 1992). Soft computing dibentuk dari 4 unsur:

1. System Fuzzy/Fuzzy Logic
2. Neural Network
3. Probabilistic Reasoning
4. Evolutionary Computing

A.  System Fuzzy

      Logika fuzzy pertama kali diperkenalkan oleh Prof. Lotfi A. Zadeh pada tahun 1965. Dasar logika fuzzy adalah teori himpunan fuzzy. Pada teori himpunan fuzzy, peranan derajat keanggotaan sebagai penentu keberadaan elemen dalam suatu himpunan sangatlah penting. Nilai keanggotaan atau derajat keanggotaan atau membership function menjadi ciri utama dalam penalaran dengan logika fuzzy tersebut (Kusuma Dewi, 2003). Fuzzy logic dikonstruksikan dengan if-then rules, karakteristik dari metode fuzzy yaitu 

1. Pemecahan masalah dilakukan secara Linguistik atau variabel yang mengandung ketidakpastian
2. Pemakaian if-then untuk menjelaskan hubungan antar variabel
3. menjelaskan sistem dengan algoritma fuzzy

    Penerapan system fuzzy sebagai contoh adalah, pada tahun 1990 di jepang, dibuat sebuah mesin cuci otomatis yang dapat mendeteksi kotoran pada pakaian. Sebagai input logika tersebut jika baju yang terdeteksi sensor terdapat kotoran, maka akan diinput jenis kotoran, tingkat kekotoran dan banyaknya cucian, lalu setelah data tersebut diproses outputnya adalah bagaimana mesin cuci tersebut melakukan putaran-putaran yang tepat.

B. Neural Network

     Secara   umum   Neural   Network   (NN)   adalah   jaringan   dari   sekelompok unit pemroses kecil  yang  dimodelkan  berdasarkan  jaringan  syaraf  manusia.  NN ini merupakan  sistem  adaptif yang  dapat  merubah  strukturnya  untuk memecahkan masalah  berdasarkan  informasi  eksternal maupun  internal  yang  mengalir  melalui jaringan  tersebut.  Secara  sederhana  NN  adalah sebuah alat  pemodelan  data statistik  non-linear.  NN  dapat  digunakan  untuk  memodelkan   hubungan yang kompleks antara input dan output untuk menemukan pola-pola pada  data. 

     

    Salah satu penerapan Artificial Neural Network adalah digunakan untuk pengenalan karakter optik yang dikenal dengan Optical Character Recognation. Optical Character Recognition merupakan suatu teknologi yang memungkinkan mesin (komputer) secara otomatis dapat mengenali karakter lewat suatu mekanisme optik. Proses yang dilakukan adalah mengubah citra yang mengandung karakter-karakter di dalamnya ke dalam informasi yang dapat dimanipulasi oleh mesin

C. Probabilistic Reasoning

     Reasoning berarti mengambil suatu keputusan atas suatu alasan atau sebab tertentu. Dua jenis reasoning adalah logical reasoning dan probabilistic reasoning. Salah satu kelebihan probabilistic reasoning dibandingkan logical reasoning terletak pada kemampuan untuk mengambil keputusan yang rasional, walaupun informasi yang diolah kurang lengkap atau mengandung unsur ketidakpastian.

   Probabilistic Reasoning mempunyai metode yang disebut Metode Naive Bayes. Metode ini digunakan untuk melakukan klasifikasi pada serangkaian data, kemudian dari data tersebut ditemukan sebuah pola untuk mengambil keputusan dalam masalah.

D. Evolutionary Computing

     Evolutionary Computation (EC) merupakan suatu abstraksi yang mengadopsi evolusi dan genetika yang disederhanakan. Dari abstraksi tersebut, lahirlah berbagai algoritma berbasis EC yang dikenal sebagai Evolutionary Algorithms (EAs). Sejak diperkenalkan pada tahun 1960-an, EAs terus diteliti dan dikembangkan hingga saat ini. Yang menarik pada EAs adalah Hanya dengan menggunakan proses-proses yang sebagian besar dilakukan secara acak, EAs bisa menghasilkan solusi yang bagus (mungkin saja solusi terbaik) dengan kecepatan yang dapat diterima. (Suyanto, Informatika 2008)

      Dalam Evolutionary Computing, penerapan yang ada salah satunya adalah Algoritma Genetika. Algoritma Gnetika termasuk dalam Evolutionary Algorithm yang merupakan penerapan dari abstraksi Evolutionary computing. Algoritma genetika  didasarkan pada prinsip-prinsip genetika dan seleksi alam. Elemen-elemen dasar dari genetika alam adalah. Reproduksi, crossover, dan mutasi. GA termasuk temuan dalam bidang optimasi, dimana suatu algoritma diciptakan dengan meniru mekanisme evolusi dalam perkembangan makhluk hidup. Dalam algoritma genetika ini, proses perkembangbiakan ini menjadi proses dasar yang menjadi perhatian utama dengan dasar berpikir "Bagaimana mendapatkan keturunan yang lebih baik". Dalam GA prosedur pencarian hanya didasarkan pada nilai fungsi tujuan, tidak ada pemakaian gradient atau teknik kalkulus.

Sumber:
https://ilmukuilmumu.wordpress.com/2009/11/12/teknik-optimasi/
http://tiindonesia.blogspot.co.id/2015/04/genetic-algorithm.html
Pengantar Soft Computing, Anto Satrio Nugroho
jmc.co.id/media/general/20140923_11.Logikafuzzy_.pdf
elib.unikom.ac.id/download.php?id=18725
http://www.komputasi.lipi.go.id/utama.cgi?daftarbuku&buku1130608045
Implementasi Artificial Neural Network Untuk Optical Character Reader
http://www.metode-algoritma.com/2013/06/conoth-perhitungan-naive-bayes.html

                 

Sistem Pakar

Dalam Sistem informasi, komputer memainkan sebuah peran penting dalam penerapannya, meskipun dalam Sistem informasi tidak harus membutuhkan komputer, namun karena banyaknya data yang diolah dan kebutuhan informasi yang kompleks maka peran komputer dalam penerapan Sistem informasi sangat dibutuhkan sehingga muncul istilah Computer Based Information System, yaitu sebuah Sistem untuk mengolah data menjadi sebuah informasi yang berguna dalam mengambil sebuah keputusan.

Computer Based Information System (CBIS) dibagi menjadi beberapa subsistem yaitu Sistem Informasi Akuntansi (SIA), Sistem Informasi Manajemen (SIM), Sistem Pendukung Keputusan (SPK), Automatisasi Kantor (Office Automatization/OA), dan Sistem Pakar (Expert Sistem). Pada tulisan kali ini saya akan membahas salah satu saja dari subsistem CBIS yaitu Sistem Pakar.

Sistem pakar adalah Sistem yang dibuat sebagai inteligensi buatan yang menyerupai kemampuan berpikir para pakar, dengan tujuan untuk menyelesaikan persoalan-persoalan yang kompleks sehingga memperoleh hasil untuk mendukung pengambilan sebuah keputusan. Aturan-aturan yang terkandung dalam Sistem itu membertitahu program bagaimana ia memberlakukan informasi yang tersimpan. Berdasarkan aturan tersebut program memberikan solusi- solusi atau bantuan bagaimana memecahkan suatu masalah sebagaimana kita bertanya kepada seorang pakar.

Karakteristik dari sistem pakar yaitu, sistem pakar merupakan suatu konsep. Hal ini berarti bahwa sistem pakar adalah sistem yang berisi keahlian dari seorang pakar yang berbentuk  fakta dan aturan-aturan sedangkan komputer melakukan pengolahan secara numerik, maka sebuah masalah yang kompleks tidak bisa diselesaikan dengan pengolahan numerik melaikan konsep-konsep yang dibuat pada sistem pakar. Informasi yang disediakan juga tidak selalu lengkap dan konsisten karena tergantung dengan apa yang terjadi di lapangan. Kemungkinan solusi yang diberikan sistem pakar bervariasi dan mempunyai banyak pilihan jawaban karena ruang permasalahan yung begiu luas, untuk itu perlu sistem yang fleksibel untuk menangani berbagai kemungkinan, Dalam sistem pakar perlu juga diketahui bahwa pengembangan ilmu pengetahuan selalu berkembang, jadi sistem juga harus terus ditingkatkan ke sebuah pengetahuan yang baru dan tidak hanya mengandalkan satu atau dua pakar saja yang dijadikan pedoman, karena sistem pakar  harus mendapatkan keputusan/solusi yang akurat.

Sistem pakar bermanfaat untuk melakukan pekerjaan yang hanya bisa dikerjakan oleh seorang pakar, sehingga orang-orang non pakar bisa bekerja tanpa memerlukan kehadiran seorang pakar. Sistem pakar juga menyimpan pengetahuan seorang pakar sehingga orang-orang non pakar bisa mengulangi permasalahan yang sama secara otomatis dan bisa meningkatkan produktifitas mereka. Sistem pakar yang mengambil pengetahuan dan keahlian para pakar tersebut juga dapat melestarikan pengetahuan para pakar sehingga akan memudahkan orang yang ingin mempelajari pengethauan tersebut dan mengembangkannya sehingga pengetahuan yang ada dapat berkembang dan menciptakan sebuah sistem yang lebih baik serta memperoleh solusi yang semakin akurat ditengah permasalahan yang semakin hari semakin kompleks.

Sistem pakar selain mempunyai banyak manfaat ternyata juga memiliki kekurangan, diantaranya adalah perawatan sistem yang relatif mahal, dalam pengembangan sistem pakar tersebut, mengembangkannya juga bukan hal yang mudah karena berkaitan dengan ketersediaan pakar di bidangnya, sistem pakar juga tidak selalu benar, terkadang solusi yang dibuat oleh sistem pakar harus dikaji ulang sebelum akhirnya diimplementasikan kedalam permasalahan yang kita input kedalam sistem pakar, selain itu daya kerja dan produktifitas manusia juga berjurang karena segala hal yang dilakukan tidak dilakukan dengan kemampuan mereka sendiri Karena ketergantungan pada sistem pakar tersebut.

Sumber:

http://note-why.blogspot.co.id/2012/09/pengertian-sistem-pakar.html

http://www.academia.edu/8600104/Definisi_sistem_pakar

http://informatika.web.id/teori-penunjang-sistem-pakar.htm