Sistem Pakar (3)

Bagaimana awal mula sistem pakar dibuat

Sistem pakar sendiri pada dasarnya tidak terlalu banyak tercatat dalam sejarah, terutama sejarah yang terlalu detail seperti sejarah internet ataupun sejarah jaringan komputer. Akan tetapi, yang pasti, cikal bakal dari munculnya sebuah sistem pakar diawali oleh sebuah komunitas artificial intelligence atau AI yang merupakan komunitas para programmer dan pengembang dari kecerdasan buatan pada tahun 1960.

Sistem pakar ini mulai dikembangkan, karena sejalan dengan visi misi dari komunitas kecerdasan buatan, yang memapu menghadirkan komputer pintar yang memiliki kepintaran menyerupai manusia. Sistem pakar pertama yang diciptakan adalah GPS atau yang merupakan kependekan dari General Purpose Problem Solver. Sistem pakar GPS ini diciptakan dan dikembangkan oleh Newel dan Simon pada era 1960-an.

Prinsip kerja dari sebuah sistem pakar

Secara umum, sebuah sistem pakar itu sendiri memiliki sebuah prinsip kerja yang sangat sederhana. Para pengembang atau developer mengumpulkan berbagai macam pandangan dan juga hasil penelitian dan juga presentasi yang sering dilakukan oleh para ahli dalam bidang tertentu. Setelah itu para developer kemudian membuat intisari dari seluruh hasil data yang diperoleh tersebut, yang kemudian dimasukkan ke dalam sebuah sistem yang dijadikan program komputer.

Sebagai contohnya, ketika seorang developer akan mengembangkan sebuah sistem pakar berdisiplin ilmu kesehatan, maka sebelumnya developer harus menspesifikasikan terlebih dahulu again ilmu kesehatan yang akan dia jadikan program.

Misalnya adalah mengenai diet. Maka sang developer pun kemudian melakukan riset literature yang mencari mengenai berbagai macam teori, metode, manfaat, dan segala sesuatu yang berhubungan dengan diet. Setelah itu, program pun dikembangkan, dan para user yang menggunakan program tersebut nantinya akan bisa memahami megnenai proses diet yang akan mereka lakukan, tanpa harus berkonsultasi ke pakar kesehatan atau ahli gizi.

Sistem pakar sendiri memilik banyak sekali kelebihan dan juga keunggulan, berikut ini adalah beberapa kelebihan dan juga keunggulan dari sistem pakar :

1. User tidak perlu repot berkonsultasi secara tatap muka dengan pakar atau ahli
2. User tetap bisa memperoleh informasi yang valid dan juga reliabel, meskipun tidak mengenal dan memiliki channel pakar – pakar yang dapat memecahkan masalahnya
3. Sistem pakar mengintegrasikan pandangan dan juga pendapat dari satu atau lebih pakar, sehingga dapat diramu secara lebih objektif dan menghasilkan sebuah output yang lebih detail dan juga mendalam
4. Sistem pakar mampu memberikan respond an juga jawaban yang lebih cepat, tidak seperti ketika kita bertanya langsung ke pakar, yang biasanya harus mengobrol terlebih dahulu
5. Sangat berguna untuk membantu menyelesaikan berbagai macam masalah yang dialami oleh user
6. Dapat menambah informasi bagi banyak user
7. Dapat digunakan untuk mengakses database secara cerdas
8. Meningkatkan minat masyarakat untuk lebih tahu banyak dan mau belajar banyak.

Meskipun dinilai memiliki banyak sekali kelebihan, terutama bagi usernya, namun demikian ternyata sistem pakar juga memiliki beberapa kekurangan. Berikut ini adalah beberapa kekurangan dari sistem pakar :

1. Biaya pengembangan yang cukup tinggi
2. Waktu pengembangan sistem pakar yang cenderung lama
3. Laju ilmu pengetahuan yang cepat, sehingga membutuhkan pembaruan atau update sistem pakar dalam jangka waktu tertentu
4. Meskipun dinilai reliabel dan juga valid, namun sistem pakar tidak 100% dapat menjamin keberhasilannya, karena adanya faktor – faktor lainnya yang dimiliki oleh user
5.  Untuk dapat mengintegrasikan pandangan dan juga pemikiran dari pakar yang ada, membutuhkan waktu yang cukup lama dan juga slit, karena terkadang tiap – tiap pakar memiliki pandangan dan juga pendapat yang berbeda 180 derajat
6. User mungkin tidak akan tertarik untuk membeli aplikasi seperti ini, karena harganya yang mahal, dan hanya berlaku untuk kebutuhan spesifik saja.

Sumber:
Dini S.Kom. "Pengertian Sistem Pakar Menurut para Ahli". http://dosenit.com/kuliah-it/sistem-informasi/pengertian-sistem-pakar (Diakses 13 Januari 2017)

Algoritma ID3 pada Pohon Keputusan

Algoritma ID3

Iterative  Dichotomicer 3 (ID3) adalah algoritma decision tree learning (algoritma pembelajaran pohon keputusan) yang  paling dasar. Algoritma ini melakukan   pencarian secara   rakus /menyeluruh   (greedy)    pada semua kemungkinan pohon keputusan. 

Salah   satu   algoritma   induksi   pohon keputusan yaitu ID3 (Iterative Dichotomiser 3). ID3 dikembangkan oleh J. Ross Quinlan. Algoritma ID3 dapat diimplementasikan menggunakan   fungsi rekursif (fungsi  yang memanggil   dirinya   sendiri).  Algoritma   ID3 berusaha  membangun decision  tree  (pohon keputusan)  secara top-down (dari atas ke bawah),  mulai  dengan  pertanyaan: “atribut mana yang pertama kali  harus  dicek  dan diletakkan  pada root?” pertanyaan  ini  dijawab dengan mengevaluasi semua atribut yang ada dengan  menggunakan  suatu  ukuran  statistik (yang  banyak  digunakan  adalah information gain)  untuk  mengukur  efektivitas  suatu  atribut dalam   mengklasifikasikan   kumpulan   sampel data.

Decision  Tree adalah sebuah struktur pohon, dimana setiap node pohon merepresentasikan   atribut   yang   telah   diuji, setiap  cabang  merupakan  suatu  pembagian hasil uji, dan node daun (leaf) merepresentasikankelompok  kelas  tertentu.Level  node  teratas  dari  sebuah  decision  treeadalah node akar (root) yang biasanya berupa atribut yang paling memiliki pengaruh terbesar pada suatu kelas tertentu.   

Entropy dan Information Gain

Sebuah  obyek  yang  diklasifikasikan  dalam pohon  harus  dites  nilai  entropinya. Entropyadalah  ukuran  dari  teori  informasi  yang  dapat mengetahui   karakteristik   dari impuryt   ,dan homogenity   dari   kumpulan   data.   Dari   nilai entropy    tersebut    kemudiandihitung    nilai information gain (IG) masing-masing atribut.

Entropy(S) = - p+ log2p + -p -log2p-

dimana :

·         S  adalah  ruang  (data)  sample  yang digunakan untuk training.

·     P+  adalah   jumlah    yang   bersolusi positif (mendukung) pada data sample untuk kriteria tertentu.

·     P+  adalah   jumlah  yang  bersolusi negatif  (tidak  mendukung)  pada  data sample untuk kriteria tertentu.Dari rumus entropy diatas dapat disimpulkan bahwa definisi entropy (S) adalah  jumlah  bit  yang  diperkirakan dibutuhkan  untuk  dapat  mengekstrak suatu  kelas  (+  atau  -)  dari  sejumlah data acak pada suatu ruang sampel S. Entropy bisa dikatakan sebagai kebutuhan bit untuk menyatakan suatu kelas.  

Semakin  kecil  nilai  entropy maka  semakin  baik  digunakan  dalam mengekstraksi suatu kelas.  Panjang  kode  untuk  menyatakan informasi secara optimal  adalah  –log2p  bits untuk messages yang mempunyai probabilitas p. Sehingga jumlah bit yang diperkirakan untuk mengekstraksi  S  ke  dalam  kelas  adalah  :  - p+log2 p+ - p- log2 p- 

Information Gain 

setelah  mendapat  nilai  entropy  untuk  suatu kumpulan  data,  maka  kita  dapat  mengukur efektivitas suatu atribut dalam mengklasifikasikan data. Ukuran  efektifitas  ini disebut  information  gain.  Secara  matematis, infomation  gain  dari  suatu  atribut  A, dituliskan sebagai berikut :

dimana :

A : atribut

V : suatu nilai yang mungkin untuk atribut A

Values  (A)  :  himpunan  yang  mungkin  untuk  atribut A

|Sv| : jumlah sampel untuk nilai v

|S| : jumlah seluruh sampel data Entropy

(Sv):   entropy   untuk   sampel-sampel yang memilki nilai v

Sumber:

Wahyudin, Desember 2009, "Metode Iterative Dichotomizer 3 ( ID3 ) Untuk Penyeleksian Penerimaan Mahasiswa Baru". Jurnal Pendidikan Teknologi Informasi dan Komunikasi. Volume 2, No.2, http://file.upi.edu/Direktori/JURNAL/PENDIDIKAN_TIK/Jurnal_Pend_TIK_Vol_2_No_2/Metode_Iterative_Dichotomizer_3_(_ID3_)_Untuk_Penyeleksian_Penerimaan_Mahasiswa_Baru.PDF, Januari 2017.

Manfaat, Kelebihan dan Kekurangan Pohon Keputusan

Manfaat Pohon Keputusan

Pohon keputusan adalah salah satu metode klasifikasi yang paling populer karena mudah untuk diinterpretasi oleh manusia. Pohon keputusan adalah model prediksi menggunakan struktur pohon atau struktur berhirarki. Konsep dari pohon keputusan adalah mengubah data menjadi pohon keputusan dan aturan-aturan keputusan. Manfaat utama dari penggunaan pohon keputusan adalah kemampuannya untuk mem-break down proses pengambilan keputusan yang kompleks menjadi lebih simpel sehingga pengambil keputusan akan lebih menginterpretasikan solusi dari permasalahan. Pohon Keputusan juga berguna untuk mengeksplorasi data, menemukan hubungan tersembunyi antara sejumlah calon variabel input dengan sebuah variabel target. Pohon keputusan memadukan antara eksplorasi data dan pemodelan, sehingga sangat bagus sebagai langkah awal dalam proses pemodelan bahkan ketika dijadikan sebagai model akhir dari beberapa teknik lain. Sering terjadi tawar menawar antara keakuratan model dengan transparansi model. Dalam beberapa aplikasi, akurasi dari sebuah klasifikasi atau prediksi adalah satu-satunya hal yang ditonjolkan, misalnya sebuah perusahaan direct mail membuat sebuah model yang akurat untuk memprediksi anggota mana yang berpotensi untuk merespon permintaan, tanpa memperhatikan bagaimana atau mengapa model tersebut bekerja.

Kelebihan

• Menghilangkan perhitungan-perhitungan yang tidak dibutuhkan. Sample yang diuji hanya berdasarkan kriteria atau kelas tertentu.
• Pengambilan keputusan yang sebelumnya kompleks dan sangat global diubah lebih simpel dan spesifik.
• Metode ini menghindari munculnya permasalahan ini dengan menggunakan kriteria yang jumlahnya lebih sedikit pada setiap node internal tanpa banyak mengurangi kualitas keputusan yang dihasilkan.
• Bersifat fleksibel, memilih fitur dari internal node yang berbeda, fitur yang terpilih akan membedakan suatu kriteria dibandingkan kriteria yang lain dalam node yang sama. Kefleksibelan metode ini meningkatkan kualitas keputusan yang dihasilkan.

Kekurangan

• Terjadi overlap, hal ini sering saya temui ketika menggunakan kelas-kelas dan kriteria yang digunakan dalam jumlah besar. Hal tersebut juga dapat menyebabkan meningkatnya waktu pengambilan keputusan dan jumlah memori yang diperlukan.
• Pengakumulasian jumlah eror dari setiap tingkat dalam sebuah pohon keputusan yang besar.
• Kesulitan dalam mendesain pohon keputusan yang optimal.
• Hasil kualitas keputusan yang didapatkan dari metode pohon keputusan sangat tergantung pada bagaimana pohon tersebut didesain.

Sumber:

http://tutorcollection.com/konsep-pohon-keputusan-decision-tree-data-mining/#manfaat

http://mfile.narotama.ac.id/files/Zakki%20Falani/Konsep%20Data%20Mining/Algoritma%20C4.pdf

Pohon Keputusan

    Pohon keputusan adalah gambaran skematik dari alternatif yang rersedia bagi pengambil keputusan dan kemungkinan hasilnya. Istilah pohon keputusan diambil dari bentuk diagramnya yang memiliki cabang dan ranting seperti halnya suatu pohon. Pohon Keputusan memiliki fungsi yang sama dengan tabel keputusan, namun biasanya lebih sesuai untuk ssituasi analisis yang memiliki keputusan berjenjang.

   Pohon keputusan merupakan salah satu metode yang digunakan pada data  mining. Metode pohon keputusan mengubah fakta yang sangat besar menjadi pohon keputusan yang  merepresentasikan rule.  Pohon  keputusan  adalah  salah  satu  metode  klasifikasi yang paling populer karena mudah untuk diinterpretasikanoleh manusia. Konsep dari pohon  keputusan  adalah  mengubah  data  menjadi model pohon  keputusan(decision tree) dan aturan-aturan (rule).

   Data  dalam  pohon  keputusan  biasanya  dinyatakan  dalam  bentuk  tabel  dengan atribut  dan record.  Atribut  menyatakan  suatu  parameter  yang  dibuat  sebagai  kriteria dalam  pembentukan tree.  Misalkan,untuk  menentukan bermain  tenis atau  tidak, kriteria  yang  diperhatikan  adalah  cuaca,  angin  dan  temperatur.  Salah  satu  atribut merupakan  atribut  yang  menyatakan  data  solusi  per-item  data  yang  disebut  dengan target atribut. Atribut memiliki nilai-nilai yang dinamakan dengan instance. Misalkan atribut cuaca mempunyai instances berupa cerah, berawan,dan hujan.

   Pohon  keputusan  merupakan  himpunan  aturan  IF...THEN.  Setiap path dalam tree dihubungkan dengan sebuah aturan, dimana premis terdiri atas sekumpulan node-node yang  ditemui,  dan  kesimpulan  dari  aturan terdiri  atas  kelas  yang  terhubung  dengan leaf dari path.

   Bagian awal dari pohon keputusan ini adalah titik akar (root), sedangkan setiap cabang  dari  pohon  keputusan  merupakan  pembagian  berdasarkan  hasil  ujidan  titik akhir (leaf) merupakan pembagian kelas yang dihasilkan. Pohon keputusan mempunyai tiga (3) tipe simpul, yaitu:

1. Simpul akar(root): tidak memiliki cabang yang masuk dan memiliki cabang lebih  dari  satu,  terkadang  tidak  memiliki  cabang  sama  sekali.  Simpul  ini  biasanya berupa atribut yang paling memiliki pengaruh terbesar pada suatu kelas tertentu.
2. Simpul internal(node): hanya  memiliki satu  cabang  yang  masukdan memiliki lebih dari satucabang yang keluar.
3. Simpul  daun(leaf): simpul  akhir yanghanya  memiliki satu  cabang  yang masukdan  tidak  memiliki  cabang  sama  sekali sekaligusmenandai  bahwa  simpul tersebut merupakan label kelas.

 Sumber:
Herjanto, Eddy. 2008. Manajemen Operasi. Edisi Ketiga.Jakarta: Grasindo.

Huliman. 2015. Analisis Akurasi Algoritma Pohon Keputusan Dan K-Nearest Neighbor (k-NN). Medan: Universitas Sumatera Utara.