FLOWCHART MENGANALISA TULISAN BERDASARKAN TEKANAN TULISAN DAN KECEPATAN TULISAN

Langkah awal pada flowchart diatas adalah, user/pengguna harus menginput terlebih dahulu, dan maksud X=0 dan Y=0 merupakan counter untuk kecepatan dan tekanan dengan nilai awal 0. Jika tulisan ada dalam database maka proses counter akan berjalan sampai data habis dan dilanjutkan ke proses berikutnya, Jika data belum habis maka program akan mengalami proses looping pada pengecekan tekanan tulisan. Apabila data tidak ditemukan maka hasil nya adalah “ File Not Found “ lalu langsung ke proses “End”.

Jika semua proses untuk mengecek tekanan tulisan sudah selesai,tetapi ada record yang sama maka proses berikutnya adalah melakukan pengecekan ke dalam database namun berdasarkan kecepatan. Jika record dalam database tersebut menunjukan bahwa tulisan tersebut sudah terdeteksi pemiliknya dan tidak ada record lain yang sama dengan data tulisan tersebut maka data tulisan tersebut sudah ditemukan pemiliknya, jika record dalam database tersebut memiliki lebih dari 1 record maka proses counter akan berjalan sampai data habis.

SISTEM PAKAR

Sistem Pakar berasal dari dua kata yaitu sistem dan pakar. Sistem adalah beberapa elemen yang ditekankan pada efektifitasnya (untuk mencapai suatu tujuan). Pakar adalah seseorang yang ahli pada suatu bidang.

Sistem pakar (expert system) secara umum adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli. Atau dengan kata lain sistem pakar adalah sistem yang didesain dan diimplementasikan dengan bantuan bahasa pemrograman tertentu untuk dapat menyelesaikan masalah seperti yang dilakukan oleh para ahli.

      Sistem pakar yang baik harus memenuhi ciri-ciri sebagai berikut :

1.      Memiliki informasi yang handal.

2.      Mudah dimodifikasi.

3.      Dapat digunakan dalam berbagai jenis komputer.

4.      Memiliki kemampuan untuk belajar beradaptasi.

Tujuan Sistem Pakar

Tujuan Sistem Pakar adalah untuk mentransfer kepakaran dari seorang pakar ke komputer, kemudian ke orang lain (yang bukan pakar). Proses ini membutuhkan 4 aktivitas yaitu tambahan pengetahuan (dari para ahli atau sumber lainnya), representasi pengetahuan (ke computer), inferensi pengetahuan dan pengalihan pengetahuan pengguna.

Komponen Sistem Pakar

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.

Bentuk Sistem Pakar

1. Mandiri. Sistem pakar yang murni berdiri sendiri, tidak digabung dengan software lain, bisa dijalankan pada komputer pribadi, mainframe.
2. Terkait / Tergabung. Dalam bentuk ini sistem pakar hanya merupakan bagian dari program yang lebih besar. Program tersebut biasanya menggunakan teknik algoritma konvensional tapi bisa mengakses sistem pakar yang ditempatkan sebagai subrutin, yang bisa dimanfaatkan setiap kali dibutuhkan.
3. Terhubung. Merupakan sistem pakar yang berhubungan dengan software lain, misalnya : spreadsheet, DBMS, program grafik. Pada saat proses inferensi, sistem pakar bisa mengakses  data dalam spreadsheet atau DBMS atau program grafik bisa dipanggil untuk menayangkan output visual.
4. Sistem Mengabdi. Merupakan bagian dari komputer khusus yang diabdikan kepada fungsi tunggal. Sistem tersebut bisa membantu analisa data radar dalam pesawat tempur atau membuat keputusan intelejen tentang bagaimana memodifikasi pembangunan kimiawi, dan lain-lain.

PENERAPAN SISTEM PAKAR

Sistem pakar dalam Industri / Manufaktur

            Manufaktur di definisikan sebagai urutan-urutan kegiatan yang saling berhubungan meliputi perancangan, perencanaan, pemilihan material, produksi, pengontrolan kualitas, menajemen serta pemasaran produk. Proses manufaktur yang penyelesaiannya dapat dibantu oleh system pakar antara lain :

1. Sistem Pakar Dalam Perancangan

PRIDE(Pinch Roll Interactive Design Expert / Environment). Sistem pakar ini digunakan untuk merancang system pengaturan kertas untuk mesin fotocopy. Sistem ini membuat rancangan dengan representasi pengetahuan tentang rancangan berdasarkan kumpulan goal, metoda perancangan, generator dan aturan-aturan yang terstruktur.

2. System Pakar Dalam Perencanaan

Wood Trus fabrication Application merupakan contoh system pakar dalam proses perencanaan. System ini dibuat dengan menggunakan shell sitem pakar SPS (Semi Intelligent Process Selector).

3. Sistem Pakar Dalam Penjadwalan

Sistem pakar juga digunakan dalam penjadwalan, dibawah ini adalah beberapan contoh kegunaan system pakar dalam penjadwalan :

•  Contionuous Caster Steel Mill Scheduling Application

System pakar ini berbasis fuzzy logic yang dibuat untuk monitoring on line dan penjadwalan continuous caster steel mill.

Continuous caster stell mill mengolah material seperti scrap, pig iron dan refined ore melalui proses tertentu untuk menghasilkan lempeng baja yang memiliki kulitas dan komposisi sesuai kebutuhan.

•   Master Production Scheduling Aplication (MPS)

Sistem pakar ini dikembangkan untuk melakukan penjadwalan produksi master untuk manufaktur Integrated Circuit (IC). Master Production Scheduling (MPS) merupakan aktivitas perencanaan yang sangat luas, yang mengatur dan mengkoordinasi fase-fase berurutan proses penjadwalan manufaktur tertentu.

4. Sistem Pakar Dalam Proses Kontrol

Beberapa contoh penggunaan system pakar dalam proses control adalah sebagai berikut :

• Aluminium Foil Rolling Flatness control Appilcation

System pakar ini merupakan system pakar yang dibuat mengontrol kekaratan aluminium foil secara otomatis. System ini menyesuaikan bentuk pola target menurut karakteristik material dan kondisi pengoperasiannya.

•  Blast Furnace Heat Control Application

System pakar ini dibuat untuk mengontrol tingkat panas blast furnace (tanur).

5. Sistem Pakar Dalam Production Planning Dan Production Control

Perencanaan produksi dilakukan dalam hal kuantitas, waktu, kapasitas dan biaya pengendalian produksi meliputi penyelesaian pesanan, pengawasan pesanan dan pengamanan kualitas.

       Manfaat system pakar dalam proses manufaktur / industry adalaah sebagai berikut :

• Meningkatkan produktivitas
• Mengambil alih keahlian yang langka
• Memudahkan pengoperasian peralatan
• Kemampuan bekerja dengan informasi yang tidak pasti dan tidak lengkap

Sistem Pakar Dalam Bidang Pendidikan / Ilmu Pengetahuan

1. Penelitian tentang penggunaan system pakar dalam bidang pendidikan dilakukan oleh prof. Gordon S. Novack Jr. pada Universitas of Texas, Austin, tahun 1990. Aplikasi system pakar ini diberi nama ISAAC yang memiliki parser yang mampu membaca kalimat (dalam bahasa Inggris) dalam kecepatan 5000 kata/menit dan mampu menyelesaikan soal-soal Fisika Mekanik (Statika) dalam waktu kurang dari 5 menit. Aplikasi ini  dikerjakan oleh 1 tim terdiri dari 60 0rang dan membutuhkan waktu 1 tahun. (E.S. Handbook, 1992).
2. Aplikasi lain yang terkait dengan hal diatas adalah system pakar mengenai penjelasan soal-soal fisika serta pemhaman teori lebih mendalam dengan menggunakan metoda pendekatan komputasi.(Ohlsson, 1992).
3. Aplikasi system pakar dalam bidang matematika yang dilakukan oleh Yibin dan Jian Xiang tahun 1992. System pakar ini menyelesaikan soal-soal diferensial dan Integral yang diberi nama DITS.(Forcheri, 1995).
4. Studi system pakar untuk proses belajar Fisika dilakukan oleh seorang dosen Fisika yang menempuh pendidikan S2 pada salah satu perguruan tinggi di Jakarta.

Latar belakang dari dilakukannya studi ini adalah karena Fisika merupakan disiplin ilmu yang sangat fundamental yang menjadi dasar dari sains dan teknilogi.

Melihat kepentingan tersebut, makan para siswa/mahasiswa perlu menguasai ilmu ini, tapi kenyataannya sering dianggap momok oleh sebagian besa siswa/mahasiswa selain itu juga kurangnya tenaga guru / dosen Fisika serta kurangnya sarana prasarana yang diperlukan dalam proses belajar mengajar Fisika, seperti alat banto audio maupun visual.

    Dalam studi ini dibuat aplikasi sitem pakar yang mampu menyelesaikan persoalan rangkaian arus bolak-balik yang terdiri dari komponen resistor dan inductor baik seri maupun paralel.

Sistem Pakar Dalam Bisnis

• Sistem Pakar dalam Pembelian

System ini berfungsi untuk menilai dan memilih pemasok (supplier) dengan pertolongan dan pengiriman barang secara optimal, dimana dalam hal ini menunjang pemasok yang potensial. Dalam hal operasi, maka system ini mempunyai fungsi penasihat kepada pembeli.

• Sistem Pakar mengenai suku cadang mesin percetakan

Sistem ini menunjang pengujian secara teknis dari pesanan langganan dalam mesin cetak dan suku cadang yang diinginkan.

• Sistem pakar mengenai konsultasi program bantuan kredit bank

System ini membantu pada konsultasi tentang program kredit bantuan pada institusi public,

• Sistem pakar mengenai strategi perencanaan

System ini berbasis system penunjang keputusan ( Dicision Support system) untuk strategi perencanaan produk yang dikembangkan dari integrasi system konvensional dan prototip system pakar. 

Sistem Pakar pada bidang Kecerdasan Buatan

Artificial Intelligence atau Kecerdasan Buatan adalah suatu sistem informasi yang berhubungan dengan penangkapan, pemodelan dan penyimpanan kecerdasan manusia dalam sebuah sistem teknologi informasi sehingga sistem tersebut memiliki kecerdasan seperti yang dimiliki manusia. Sistem ini dikembangkan untuk mengembangkan metode dan sistem untuk menyelesaikan masalah, biasanya diselesaikan melalui aktifivitas intelektual manusia, misal pengolahan citra, perencanaan, peramalan dan lain-lain, meningkatkan kinerja sistem informasi yang berbasis komputer.

Kecerdasan buatan didefinisikan sebagai kecerdasan yang ditunjukkan oleh suatu entitas buatan. Kecerdasan buatan (Artificial Intelligence) adalah bagian dari ilmu komputer  yang mempelajari bagaimana  membuat mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia bahkan bisa lebih baik daripada yang dilakukan manusia.

Menurut John McCarthy, 1956, AI: untuk mengetahui dan memodelkan proses-proses berpikir manusia dan mendesain mesin agar dapat menirukan perilaku manusia.

Cerdas =  memiliki pengetahuan + pengalaman, penalaran (bagaimana membuat keputusan dan mengambil tindakan), moral yang baik.

Manusia cerdas (pandai) dalam menyelesaikan permasalahan karena manusia mempunyai pengetahuan & pengalaman. Pengetahuan diperoleh dari belajar. Semakin banyak bekal pengetahuan yang dimiliki tentu akan lebih  mampu menyelesaikan  permasalahan.  Tapi  bekal  pengetahuan  saja  tidak  cukup, manusia juga diberi akal untuk melakukan penalaran,mengambil kesimpulan berdasarkan pengetahuan & pengalaman yang dimiliki. Tanpa memiliki kemampuan untuk menalar dengan baik, manusia dengan segudang pengalaman dan  pengetahuan  tidak  akan   dapat menyelesaikan  masalah  dengan  baik.

Demikian juga dengan kemampuan menalar yang  sangat baik,namun tanpa bekal pengetahuan dan pengalaman yang memadai,manusia juga tidak akan bisa menyelesaikan masalah dengan baik. Agar mesin  bisa cerdas (bertindak seperti & sebaik manusia) maka harus diberi bekal pengetahuan & mempunyai kemampuan untuk menalar.

Interface kecerdasan buatan dan system pakar

Mengatur komunikasi antara pengguna dan komputer. Komunikasi ini paling baik berupa bahasa alami, biasanya disajikan dalam bentuk tanya-jawab dan kadang ditampilkan dalam bentuk gambar/grafik. Antarmuka yang lebih canggih dilengkapi dengan percakapan (voice communication).

Persamaan dan Perbedaan antar Sistem Pakar dengan Kecerdasan Buatan.

Sistem Pakar juga merupakan bagian dari Artificial Intelligence(AI) atau kecerdasan buatan, dimana letak persamaannya adalah sama-sama untuk mencapai hasil yang maksimal dalam memecahkan masalah, dan perbedaannya adalah sistem pakar mengacu pada si pembuatnya atau seseorang yang ahli dalam suatu bidangnya atau mengacu pada si perancang itu sendiri sebagai objek dalam menyiapkan suatu sistem guna mendapatkan hasil yang maksimal, sedangkan AI mengacu pada jalur atau langkah yang berorientasi pada hardware guna mencapai yang maksimal.

Dapat disimpulkan Sistem Pakar merupakan bagian dari AI, dimana selain sistem pakar yang menggunakan AI, ada beberapa yang lain diantarnya games, logika Fuzzy, jaringan saraf tiruan, dan robotika.

Kecerdasan buatan merupakan salah satu topik yang disukai penggemar science-ction, pada lm Terminator digambarkan perang manusia melawan mesin, bahkan dalam novel berjudul With Folded Hands karangan Jack Williamson, digambarkan bangsa Humanoids (robot mesin ciptaan manusia) menjajah bangsa manusia dan menggantikan semua peranan manusia.

Sistem Pakar dalam bidang pertanian

Dalam dunia pertanian banyak sekali hal yang harus dipelajari agar dapat menghasilkan sesuatu yang bermanfaat. Begitu banyaknya hal yang harus diingat seperti media tanam yang berbeda bagi tiap jenis tanaman, takaran pupuk, hama dan penyakit tanaman, dan banyak sekali cara agar tanaman yang ditanam dapat menghasilkan hasil yang lebih baik. Tetapi, manusia pasti mempunyai sifat pelupa yang memungkinkan hal-hal tersebut di atas dan berakibat pada hasil pertanian yang kurang memuaskan dan tidak stabil. Untuk mengatasi hal di atas, salah satunya dibutuhkan suatu teknologi yang dapat membantu kita.

Oleh karena itu, sistem pakar (expert system) mempunyai kemampuan untuk memudahkan masalah-masalah praktis pada saat sang pakar berhalangan. Dan salah satu implementasi sistem pakar pada bidang pertanian yaitu untuk mengidentifikasi penyakit tanaman.

Banyak sekali ragam hama dan penyakit tanaman dan beragam pula nama dan akibat yang dihasilkannya. Ciri-ciri antara tanaman yang terkena penyakit satu dengan penyakit yang lainnya sangat mirip sehingga membingungkan orang awam atau pemula yang baru kenal untuk dapat mengidentifikasinya. Sebaliknya ada juga tanaman yang terkena penyakit dengan ciri-ciri yang berbeda namun tetap saja membingungkan dalam mengingat nama dan penanggulangan penyakit tersebut.

Sistem pakar ini sangat berguna untuk membantu petani dalam mengingat jenis-jenis penyakit dan hama tanaman juga untuk mengenali ciri-cirinya yang berguna untuk menanggulangi masalah penyakit tanaman sehingga dapat meminimalkan kesalahan petani dalam mengatasi masalah ini.

Sistem pakar ini dapat memberikan tambahan pengetahuan kepada petani mengenai macam-macam penyakit yang berhasil di identifikasi oleh sistem dan dapat mengetahui tanaman apa saja yang biasa diserang oleh penyakit tersebut, dengan adanya pengetahuan ini maka ketika para petani sadar tanamannya terkena hama atau penyakit, maka petani dapat dengan mudah untuk mengatasi hama dan penyakit tersebut.

Namun, banyak juga kendala yang menghambat dalam proses penerapan sistem pakar di bidang pertanian. Salah satunya SDM dan latar belakang para petani konvensional yang kurang berpendidikan yang sangat berpengaruh dalam pengembangan teknologi di bidang pertanian. Karena itulah, pemerintah harus banyak memberikan penyuluhan di bidang teknologi bagi para petani. Kalau pemerintah sulit untuk merealisasikan hal ini, kenapa tidak dimulai dari kita?

Sistem Pakar dalam Bidang Psikologi

Implementasi sistem pakar banyak digunakan dalam bidang psikologi karena sistem pakar dipandang sebagai cara penyimpanan pengetahuan pakar pada bidang tertentu dalam program komputer sehingga keputusan dapat diberikan dalam melakukan penalaran secara cerdas. Irisan antara psikologi dan sistem pakar melahirkan sebuah area yang dikenal dengan nama cognition & psycolinguistics. Umumnya pengetahuannya diambil dari seorang manusia yang pakar dalam domain tersebut dan sistem pakar itu berusaha meniru metodelogi dan kinerjanya (performance) (Kusumadewi, 2003).

Salah satu implementasi yang diterapkan sistem pakar dalam bidang psikologi, yaitu untuk sistem pakar menentukan jenis gangguan perkembangan pada anak. Anak-anak merupakan fase yang paling rentan dan sangat perlu diperhatikan satu demi satu tahapan perkembangannya. Contoh satu bentuk gangguan perkembangan adalah conduct disorder. Conduct disorder adalah satu kelainan perilaku dimana anak sulit membedakan benar salah atau baik dan buruk, sehingga anak merasa tidak bersalah walaupun sudah berbuat kesalahan.

Dampaknya akan sangat buruk bagi perkembangan sosial anak tersebut. Oleh karena itu dibangun suatu sistem pakar yang dapat membantu para pakar/psikolog anak untuk menentukan jenis gangguan perkembangan pada anak dengan menggunakan metode Certainty Factor (CF).

Contoh implementasi lainnya adalah aplikasi tes kepribadian berbasiskan sistem pakar ini, lebih mudah dan lebih cepat dalam proses pengukuran kepribadian dibandingkan metode terdahulu, sehingga memberikan banyak keuntungan dari segi penghematan waktu, tenaga, dan memudahkan kinerja user (pemakai) dalam mengukur kepribadiannya masing-masing. Selain itu aplikasi tes kepribadian ini dikemas dengan tampilan yang cukup menarik.

Bagi masyarakat yang ingin mengetahui ukuran kepribadiannya, mereka dapat menggunakan aplikasi ini sebagai referensi, dan bagi para mahasiswa khususnya mahasiswa psikologi, aplikasi ini dapat dijadikan tambahan untuk mendukung studi mereka terutama untuk sub bidang pengukuran kepribadian.

Namun demikian, aplikasi tes kepribadian berbasiskan sistem pakar ini tidak bisa menggantikan seorang ahli karena dia pakar di bidangnya. Aplikasi sistem pakar ini hanyalah alat bantu yang sangat bergantung pada data-data yang di-input oleh seorang programmer sehingga aplikasi sistem pakar ini haruslah selalu dikembangkan.

Sistem Pakar di Bidang Eksplorasi Alam

Dalam bidang ini sistem pakar sangat penting manfaatnya. Keputusan yang dihasilkan akan sangat bermanfaat. Contoh penerapannya yaitu sistem pakar yang diterapkan pada alat pendeteksi kandungan minyak bumi. Alat ini menghasilkan keputusan dari data-data yang ada, dan mengambil keputusan ada atau tidaknya hingga berapa jumlah kandungan yang terkandung. Rule base yang deprogram dibuat oleh para ahli dibidangnya.

Aplikasi pengmabilan keputusan berupa resiko-resiko yang dapat terjadi bila melakukan penambangan. Sistem pakar memperhitungkan berapa peluang keberhasilan yang dapat dicapai. Keputusan ini harus sangat akurat dan meliputi seluruh aspek hingga keselamatan warga sekitar. Jangan sampai timbul kesalahan yang disebabkan oleh salah dalam pengambilan keputusan.

Manfaat yang dihasilkan sangat menguntungkan, tetapi bukan berarti tidak terlepas dari beberapa kerugian penerapan sistem pakar di bidang ini.

Keuntungan yang dapat diambil antara lan:

• Akurasi perhitungan menjadikan kegiatan di bidang ini mendapat keuntungan.
• Perhitungan yang rumit dapat terselesaikan dengan cepat.
• Keakuratan perhitungan meminimalisir kesalahan factor manusia.
• Menghasilkan informasi yang mendukung, sehingga tugas para ahli lebih mudah untuk mengkaji ulang.

Kerugian yang dapat terjadi anatara lain:

• Kesalahan perhitungan yang menyebabkan kegagalan.
• Pengaturan rule base yang berganti-ganti pada setiap eksplorasi yang berbeda.

 Sistem Pakar Di Bidang Kedokteran

Contoh alat kedokteran yang menerapkan sistem pakar di dalamnya antara lain USG (ultrasonografi). Alat ini bekerja berdasarkan pantulan gelombang suara ultrasonik. Banyak digunakan untuk mendeteksi janin dalam kandungan. Alat ini bekerja dengan menerima input berupa suara yang lalu diolah menjadi sebuah informasi berupa visual. Alat ini cukup aman karena tidak menimbulkan radiasi seperti sinar-x yang biasanya digunakan untuk rontgen.

Alat lain yang menerapkannya adalah pengukur kadar lemak dalam darah. Alat ini berfungsi untuk mengetahui kadar lemak dalam darah seseorang. Terlebih dahulu diberi input yang mendukung perhitungan. Perhitungan alat ini telah dirumuskan dengan rule base yang telah terprogram. Setelah input dimasukkan maka alat ini secara otomatis mengolah datanya dan hasilnya berupa keputusan.

Keuntungan yang dapat diambil antara lain:

•  Membantu dalam menghasilkan keputusan berupa analisa suatu penyakit.
•  Membantu tugas yang tidak dapat dilakukan secara manual oleh manusia.
•  Memudahkan untuk penyembuhan.

Kerugian yang dapat terjadi antara lain:

• Error yang terjadi saat pengambilan keputusan.
•  Rule base yang harus sesuai dengan kondisi setiap pasien.
•  Efek samping dari tindakan yang dilakukan oleh alat. 

Contoh Sistem Pakar

PROSPECTOR

• Di desain oleh Sheffield Research Institute, akhir 70-an.
• Sistem pakar yang membantu ahli geologi dalam mencari dan menemukan deposit.
• Basis pengetahuan berisi bermacam-macam mineral dan batu-batuan. Banyak pakar geologi diwawancarai dan pengetahuan mereka tentang berbagai bentuk biji deposit dimasukkan ke dalam sistem pakar.
• Ahli geologi melacak biji deposit dengan pergi ke lapangan untuk meninjau medan dan mengumpulkan bukti yang ada seperti ciri-ciri geologi dicatat, sampel tanah dan batu-batuan. Sistem pakar mengevaluasi areal dalam bentuk pertanyaan dan data-data tersebut dimasukkan, kemudian Prospector memberikan rekomendasi yang menunjukkan jumlah deposit yang ada dan apakah menguntungkan atau tidak bila dieksplorasi atau di bor lebih lanjut.

Keuntungan Sistem Pakar 
Secara garis besar, banyak manfaat yang dapat diambil dengan adanya sistem pakar, antara lain :

• Memungkinkan orang awam bisa mengerjakan pekerjaan para ahli.
• Bisa melakukan proses secara berulang secara otomatis.
• Menyimpan pengetahuan dan keahlian para pakar.
• Meningkatkan output dan produktivitas.
• Meningkatkan kualitas.
• Mampu mengambil dan melestarikan keahlian para pakar (terutama yang termasuk keahlian langka).
• Mampu beroperasi dalam lingkungan yang berbahaya.
• Memiliki kemampuan untuk mengakses pengetahuan.
• Memiliki reabilitas.
• Meningkatkan kapabilitas sistem komputer.
• Memiliki kemampuan untuk bekerja dengan informasi yang tidak lengkap dan mengandung ketidakpastian.
• Sebagai media pelengkap dalam pelatihan.
• Meningkatkan kapabilitas dalam penyelesaian masalah.
• Menghemat waktu dalam pengambilan keputusan.

Referensi : http://yusufedi.blogspot.co.id/2012/10/penerapan-sistem-pakar-dalam-berbagai.html , http://sistem-pakar-universitas.blogspot.co.id/2011/10/ciri-ciri-sistem-pakar.html, http://veronicagultom03.blogspot.co.id/2014/10/05-sistem-pakar-sp.html , https://nurulaisyah2.wordpress.com/2012/10/13/sistem-pakar/, https://nurulaisyah2.wordpress.com/2012/10/13/sistem-pakar/

Aplikasi Sistem Pakar di Bidang Eksplorasi Alam

MODEL IDENTIFIKASI PETA SECARA OTOMATIS

MENGGUNAKAN KONSEP JARINGAN SARAF TIRUAN

BACKPROPAGATION

Era teknologi informasi semakin berkembang dengan cepat dan kompleks, kehandalan sistem yang mengolah data dengan baik akan menghasilkan informasi yang baik, begitu pula dengan pemakai sistem yang merupakan faktor utama suatu aplikasi sistem yang sedang dijalankan selain perangkat keras dan perangkat lunak. Brainware adalah konsep pemikiran yang dimiliki oleh manusia dalam kaitannya dengan sistem komputer secara luas. Konsep pemikiran manusia yang dapat melakukan pembelajaran terhadap segala sesuatu yang ditemui nya merupakan hal menarik yang menjadi landasan dibentuknya model Jaringan saraf tiruan (JST) dalam domain yang cukup bervariasi dalam sistem cerdas. Sistem cerdas yang diaplikasikan untuk identifikasi objek dua dimensi pada pemetaan wilayah geografis merupakan sistem yang dapat memberikan pengetahuan dan informasi mengenai keadaan wilayah pada suatu tempat atau daerah yang diinginkan pemakai. Sistem yang dibangun dapat menentukan lokasi wilayah, objek wisata, dan hal-hal yang terkait di dalamnya. Pemakai hanya menunjuk bagian tertentu yang diinginkan dalam peta, kemudian sistem akan memberikan informasi tentang wilayah yang diinginkan pemakai tersebut. Penerapan sistem cerdas ini dapat diaplikasikan pada pola pembelajaran siswa dan mahasiswa pada pelajaran geografi dan hal yang menyangkut pemetaan wilayah, maupun tempat-tempat yang strategis, terutama di jantung kota budaya ini.

JARINGAN SARAF TIRUAN UMPAN BALIK

Banyak model jaringan saraf tiruan dalam dunia riset JST, salah satu modelnya adalah Jaringan saraf tiruan Backpropagation. Jaringan saraf tiruan Backpropagation (BP) pertama kali diperkenalkan oleh Rumelhart, Hinton dan William pada tahun 1986, kemudian Rumelhart dan Mc Cleland mengembangkannya pada tahun 1988. Jaringan ini merupakan model jaringan multilayer. Backpropagation paling banyak digunakan oleh pemakai jaringan saraf tiruan, bahkan diperkirakan lebih dari 80 % proyek jaringan saraf tiruan yang tengah dikembangkan menggunakan Backpropagation. Dalam metode Backpropagation, biasanya, digunakan jaringan multilayer. Sebagai contoh, pada Gambar 1 dilustrasikan jaringan dengan sebuah hidden layer. Dalam jaringan, selain terdapat unit input, unit tersembunyi (hidden units) dan output juga terdapat bias yang diberikan pada unit-unit tersembunyi dan output.

Pada intinya, pelatihan dengan metode Backpropagation terdiri atas tiga langkah, yaitu sebagai berikut.

a. Data dimasukkan ke input jaringan (feedforward)

b. Perhitungan dan propagasi balik dari error yang bersangkutan

c. Pembaharuan (adjustment) bobot dan bias.

Saat umpan maju (feedforward), setiap unit input (Xi) akan menerima sinyal input dan akan menyebarkan sinyal tersebut pada tiap hidden unit (Zj). Setiap hidden unit kemudian akan menghitung aktivasinya dan mengirim sinyal (zj) ke tiap unit output. Kemudian, setiap unit output (Yk) juga akan menghitung aktivasinya (yk) untuk menghasilkan respon terhadap input yang diberikan jaringan.

Saat proses pelatihan (training) setiap unit output membandingkan aktivasinya (yk) dengan nilai target (desired output) untuk menentukan besarnya error. Berdasarkan error tersebut, dihitung faktor δk. Faktor δk digunakan untuk mendistribusikan error dari output kembali ke layer sebelumnya. Dengan cara yang sama, faktor δi juga dihitung pada hidden unit Zj. Faktor δk digunakan untuk memperbaharui bobot antara hidden layer dan input layer.

Setelah semua faktor δ ditentukan, bobot untuk semua layer di sesuaikan secara bersamaan. Pembaharuan bobot Wjk (dari hidden unit Zj ke unit output Yk) dilakukan berdasarkan faktor δk dan aktivasi zj dari hidden unit Zj. Sedangkan, pembaharuan bobot vij (dari input unit Xi ke hidden unit Zj) dilakukan berdasarkanfaktor δj dan aktivasi xi dari input.

Langkah 1.Inisialisasi bobot dan bias. Baik bobot maupun bias dapat diset dengan sembarang angka (acak) dan    biasanya, angka di sekitar 0 dan 1 atau -1 (bias positif atau negatif).

Langkah 2.Jika stop condition masih belum terpenuhi, jalankan langkah 3-10

Langkah 3.Untuk setiap data training, lakukan langkah 4-9

Umpan maju (feedforward)

Langkah 4.Setiap unit input (Xi, i= 1,…n) menerima sinyal input xi dan menyebarkan sinyal tersebut pada seluruh unit pada hidden unit. Perlu diketahui bahwa input xi yang dipakai di sini adalah input training data yang sudah diskalakan.

Langkah 5.Setiap hidden unit (Zj, j=1,…,p) akan menjumlahkan sinyal-sinyal input yang sudah berbobot, termasuk biasnya.

dan memakai fungsi aktivasi yang telah ditentukan untuk menghitung sinyal output dari hidden unit yang bersangkutan. zj = f ( z _ inj ),(2) lalu mengirim sinyal output tersebut ke seluruh unit pada unit output.

Langkah 6. Setiap unit output (Yk, k=1,..,m) akan menjumlahkan sinyal-sinyal input yang sudah berbobot, termasuk biasnya,

dan memakai fungsi aktivasi yang telah ditentukan untuk menghitung sinyal output dari unit output yang bersangkutan yj = f ( y _ ink ),(4) lalu mengirim sinyal output ini ke seluruh unit pada unit output.

Propagasi error (backpropagation of error

Langkah 7.Setiap unit output (Yk, k = 1,…,m) menerima suatu target patter (desired output) yang sesuai dengan input training pattern untuk menghitung kesalahan (error) antara target dengan output yang dihasilkan jaringan. δk = (tk − yk ) f ‘( y _ ink )(5) Sebagaimana input training data, output training data tk juga telah diskalakan menurut fungsi aktivasi yang dipakai Faktor δk digunakan untuk menghitung koreksi error (∆Wjk) yang nantinya akan dipakai untuk memperbaharui Wjk, di mana (6)∆Wjk = αδkzj selain itu, juga dihitung koreksi bias ∆W0k yang nantinya akan dipakai untuk memperbaharui ∆W0k, di mana:  ∆W 0 k = αδk(7) Faktor δk kemudian dikirimkan ke layer yang berada pada langkah 8.

Langkah 8.Setiap hidden unit (Zj, j = 1,…,p) menjumlahkan input delta (yang

dikirim dari layer pada langkah 7) yang sudah berbobot.

Kemudian, hasilnya dikalikan dengan turunan dari fungsi aktivasi yang digunakan jaringan untuk menghasilkan faktor koreksi error j.

di mana δj = δ _ inj f ‘( z _ inj ) (9)

Faktor δj digunakan untuk menghitung koreksi error (∆vij) yang nantinya akan dipakai untuk memperbaharui vij, di mana: (10) ∆vij = αδj xi

Selain itu, juga dihitung koreksi bias ∆v0j yang nantinya akan dipakai untuk memperbaharui v0j, di mana: ∆v0 j = αδj(11)

Pembaharuan bobot (adjustment) dan bias

Langkah 9.Setiap unit output (Yk, k = 1,…,m) akan memperbaharui bias dan bobotnya dari setiap hidden unit (j = 0,…,p), (12)wjk(baru) = wjk(lama) + ∆wjk demikian pula, setiap hidden unit (Zj, j= 1,…, p) akan memperbaharui bias dan bobotnya dari setiap unit input (i = 0,…,n) wij(baru) = wij(lama) + ∆vij(13)

Langkah 10.Memeriksa stop condition.

ANALISIS DAN PERANCANGAN SISTEM

Perancangan piranti lunak jaringan saraf tiruan didasari oleh model multilayer perceptron dengan propagasi balik dan fungsi aktifasi sigmoid biner untuk setiap neuronnya. Ide dasar yang dapat dilakukan pada penelitian ini adalah menentukan masukan yang akan dilakukan proses pembelajaran, selain itu karena model yang dikembangkan ini adalah model pembelajaran terawasi (supervised learning), maka normalisasi output juga harus diberikan pada saat awal pengembangan sistem.

3.1  Analisis Masukan dan Keluaran

Masukan utama adalah citra peta wilayah. Citra peta berwarna kemudian dirubah menjadi gambar dengan skala keabuan, metode yang dipakai untuk menjadikan peta tersebut berwarna grayscale adalah konversi yang dikeluarkan oleh CCIR Recommendation 601-1 yaitu pada persamaan 14 di bawah ini.

Dengan Y adalah nilai piksel yang baru pada mode grayscale, R adalah nilai piksel merah, G adalah nilai piksel hijau, dan B adalah nilai piksel biru

Masukan sistem adalah normalisasi dari segmentasi piksel terhadap wilayah per kecamatan se kotamadya Yogyakarta yang telah dibuat nilai histogram terhadap nilai grayscale. Gambar dibatasi dengan format BMP dengan jumlah piksel image 776 * 521 piksel. Segmentasi dilakukan dengan tiga tahap, yaitu

a. Segmentasi bujur sangkar, yaitu dengan melakukan pengelompokan piksel dengan jumlah 20 piksel horisontal dan 20 piksel vertikal, sehingga didapat jumlah piksel 400 buah untuk satu segmentasinya.

b. Segmentasi horisontal, yaitu dengan melakukan pengelompokan piksel dengan jumlah piksel 20 secara horisontal.

c. Segmentasi vertikal, yaitu dengan malakukan pengelompokan piksel dengan jumlah piksel 20 secara vertikal.

Dari pengelompokan tersebut, kemudian di buat frekuensi nilai penyebaran nilai terang dan nilai gelap suatu warna piksel. Sehingga, bila frekuensi warna terang lebih besar dari frekuensi warna gelap akan dinormalisasi menjadi nilai terang atau 1. Begitu juga sebaliknya. Dari hasil normalisasi tersebut diatas, maka didapat jumlah masukan yang sama untuk seluruh pola wilayah kecamatan yang diberikan (tabel 1) dan jumlah masukan yang akan masuk pada jaringan adalah 257 (jumlah bit biner hasil normalisasi). Karena model Backpropagation yang dikembangkan menggunakan model supervised, maka nilai keluaran juga harus diberikan dan diidentifikasi dahulu. Output adalah nama wilayah kecamatan yang ada di kotamadya Yogyakarta, sehingga jumlah yang didapat adalah 14. Nilai 14 dalam domain biner yang dapat terlingkupi menjadi 4 buah digit, sehingga dapat ditentukan nilai biner untuk tiap-tiap kecamatan tersebut. Sehingga (tabel 1).

Tabel 1. Contoh nilai biner input dan nilai biner output pelatihan

Rancangan Arsitektur Sistem yang akan dibangun

Dari hasil perancangan masukan dan keluaran yang telah di analisa, kemudian ditentukan jumlah hidden, baik jumlah layernya ataupun jumlah unit pada tiap layer yang ada. Jumlah hidden ditentukan dengan cara trial and error, dalam arti hasil pembelajaran yang tercepat dan terbaik itulah yang akan menentukan jumlah hidden layer tersebut. Adapun perancangan jaringan saraf tiruan backpropagation adalah seperti Gambar 2.

HASIL PERCOBAAN

Dari hasil perancangan yang telah dibuat dihasilkan percobaan yang terbaik. Terbaik disini diartikan mempunyai hasil ketepatan atau kebenaran yang cukup baik (lebih dari 82 %) dan pembelajaran (waktu maupun kestabilan) yang cukup baik. Dari percobaan yang dilakukan didapat jumlah iterasi maksimal yang dicapai mencapai 25000 iterasi, dan diperlukan pembelajaran 14 jam terhadap seluruh pola yang diberikan. Selain hal tersebut juga ditetapkan konstanta pembelajaran terbaik adalah 0.02 dengan toleransi kesalahan 0.01 dan lapisan tersembunyi 1 layer dengan jumlah unit 10 (lihat Tabel 1 dan 2)s.

Tabel 2. Hasil pengujian dengan konstanta belajar 0.7

Tabel 3. Hasil pengujian dengan konstanta belajar 0.02

KESIMPULAN

JST backpropagation dapat melakukan pembelajaran dan pengenalan terhadap suatu pola dengan tingkat generalisasi yang cukup tinggi. Sistemidentifikasi menghasilkan tingkat generalisasi sebesar 82,330%. Tingkat kegagalan (failure) terhadap data percobaan sebesar 17 % dari total 100 percobaan.

SUMBER: http://journal.uii.ac.id/index.php/media-informatika/article/viewFile/4/4