1. Basis Pengetahuan (Knowledge Base)
Basis pengetahuan merupakan inti dari
suatu sistem pakar, yaitu berupa representasi pengetahuan dari pakar.
Basis pengetahuan tersusun atas fakta dan kaidah. Fakta adalah informasi
tentang objek, peristiwa, atau situasi. Kaidah adalah cara untuk
membangkitkan suatu fakta baru dari fakta yang sudah diketahui.
2. Mesin Inferensi (Inference Engine)
Mesin inferensi berperan sebagai otak
dari sistem pakar. Mesin inferensi berfungsi untuk memandu proses
penalaran terhadap suatu kondisi, berdasarkan pada basis pengetahuan
yang tersedia. Di dalam mesin inferensi terjadi proses untuk
memanipulasi dan mengarahkan kaidah, model, dan fakta yang disimpan
dalam basis pengetahuan dalam rangka mencapai solusi atau kesimpulan.
Dalam prosesnya, mesin inferensi menggunakan strategi penalaran dan
strategi pengendalian. Strategi penalaran terdiri dari strategi
penalaran pasti (Exact Reasoning) dan strategi penalaran tak pasti
(Inexact Reasoning). Exact reasoning akan dilakukan jika semua data yang
dibutuhkan untuk menarik suatu kesimpulan tersedia, sedangkan inexact
reasoning dilakukan pada keadaan sebaliknya.Strategi pengendalian
berfungsi sebagai panduan arah dalam melakukan prose penalaran. Terdapat
tiga tehnik pengendalian yang sering digunakan, yaitu forward chaining,
backward chaining, dan gabungan dari kedua teknik pengendalian
tersebut.
3. Basis Data (Data Base)
Basis data terdiri atas semua fakta
yang diperlukan, dimana fakta fakta tersebut digunakan untuk memenuhi
kondisi dari kaidah-kaidah dalam sistem. Basis data menyimpan semua
fakta, baik fakta awal pada saat sistem mulai beroperasi, maupun
fakta-fakta yang diperoleh pada saat proses penarikan kesimpulan sedang
dilaksanakan. Basis data digunakan untuk menyimpan data hasil observasi
dan data lain yang dibutuhkan selama pemrosesan.
4. Antarmuka Pemakai (User Interface)
Fasilitas ini digunakan sebagai perantara komunikasi antara pemakai dengan komputer.
Teknik Representasi Pengetahuan
Representasi pengetahuan adalah suatu
teknik untuk merepresentasikan basis pengetahuan yang diperoleh ke dalam
suatu skema/diagram tertentu sehingga dapat diketahui
relasi/keterhubungan antara suatu data dengan data yang lain. Teknik ini
membantu knowledge engineer dalam memahami struktur pengetahuan yang
akan dibuat sistem pakarnya. Terdapat beberapa teknik representasi
pengetahuan yang biasa digunakan dalam pengembangan suatu sistem pakar,
yaitu
a. Rule-Based Knowledge
Pengetahuan direpresentasikan dalam
suatu bentuk fakta (facts) dan aturan (rules). Bentuk representasi ini
terdiri atas premise dan kesimpulan.
b. Frame-Based Knowledge
Pengetahuan direpresentasikan dalam suatu bentuk hirarki atau jaringan frame.
c. Object-Based Knowledge
Pengetahuan direpresentasikan sebagai
jaringan dari obyek-obyek. Obyek adalah elemen data yang terdiri dari
data dan metoda (proses).
d. Case-Base Reasoning
Pengetahuan direpresentasikan dalam bentuk kesimpulan kasus (cases).
Inferencing dengan Rule : Forward dan Backward Chaining
Inferensi dengan rules merupakan
implementasi dari modus ponen, yang direfleksikan dalam mekanisme search
(pencarian). Dapat pula mengecek semua rule pada knowledge base dalam
arah forward maupun backward. Proses pencarian berlanjut sampai tidak
ada rule yang dapat digunakan atau sampai sebuah tujuan (goal) tercapai.
Ada dua metode inferencing dengan rules, yaitu forward chaining atau
data-driven dan backward chaining atau goal-driven.
a. Backward chaining
- Menggunakan pendekatan goal-driven, dimulai dari ekspektasi apa yang diinginkan terjadi (hipotesis), kemudian mengecek pada sebab-sebab yang mendukung (ataupun kontradiktif) dari ekspektasi tersebut.
- Jika suatu aplikasi menghasilkan tree yang sempit dan cukup dalam, maka gunakan backward chaining.
b. Forward chaining
- Forward chaining merupakan grup dari multiple inferensi yang melakukan pencarian dari suatu masalah kepada solusinya.
- Jika klausa premis sesuai dengan situasi (bernilai TRUE), maka proses akan meng-assert konklusi.
- Forward chaining adalah data-driven karena inferensi dimulai dengan informasi yang tersedia dan baru konklusi diperoleh.
- Jika suatu aplikasi menghasilkan tree yang lebar dan tidak dalam, maka gunakan forward chaining.
Tidak ada komentar:
Posting Komentar