MANAGEMENT INFORMATION SYSTEMSRaymond McLeod, Jr. and George Schelly , g
SistemSistem PakarPakarSistemSistem PakarPakar
DisajikanDisajikan dalamdalam KuliahKuliah SIMSIMProgram Program SarjanaSarjana Magister Magister UniversitasUniversitas GunadarmaGunadarmaOlehOleh LilyLily WulandariWulandariOlehOleh Lily Lily WulandariWulandari
1
PendahuluanPendahuluanSubsistemSubsistem CBIS yang menCBIS yang men--stimulasistimulasi sejumlahsejumlah perhatianperhatian
terbesarterbesar didi antaraantara ahliahli ilmuilmu komputerkomputer dandan spesialisspesialisinformasiinformasi adalahadalah sistemsistem pakarpakar -- satusatu subsetsubsetinformasiinformasi adalahadalah sistemsistem pakarpakar satusatu subset subset kecerdasankecerdasan tiruantiruan, , atauatau AI. AI.
TidakTidak sepertiseperti DSS, DSS, sistemsistem pakarpakar mempunyaimempunyai potensipotensit kt k ll kk hh l hl huntukuntuk memperluasmemperluas kemampuankemampuan pemecahanpemecahan masalahmasalah
manajermanajer didi luarluar kemampuankemampuan normalnyanormalnya..SistemSistem PakarPakar terdiriterdiri atasatas 44 bagianbagian utamautama yakniyakni UserUserSistemSistem PakarPakar terdiriterdiri atasatas 4 4 bagianbagian utamautama yakniyakni User User
interface, Knowledge base, interface engine, interface, Knowledge base, interface engine, dandansebuahsebuah development engine.development engine.
Slide 2
PendahuluanPendahuluanK l d bK l d b kk l /l / tt t kt k t kt kKnowledge base Knowledge base menggunakanmenggunakan rule/rule/aturanaturan untukuntuk menyatakanmenyatakan
logikalogika daridari masalahmasalah dimanadimana sistemsistem pakarpakar dirancangdirancang untukuntukmembantumembantu memecahkanmemecahkan masalahmasalah..
MesinMesin kesimpulankesimpulan (Inference engine) (Inference engine) menggunakanmenggunakan penalaranpenalaran, , didi dalamdalam banyakbanyak caracara yang yang samasama sepertiseperti seorangseorang manusiamanusia, , dalamdalam memprosesmemproses isiisi dasardasar pengetahuanpengetahuan..pp p gp g
MesinMesin pengembanganpengembangan (development engine) (development engine) terdiriterdiri daridari yang yang manapunmanapun, , baikbaik bahasabahasa pemrogramanpemrograman atauatau prewritten prewritten inference engineinference engine disebutdisebut shellshell sistemsistem pakarpakar MembuatMembuatinference engine inference engine disebutdisebut shell shell sistemsistem pakarpakar. . MembuatMembuatprototipprototip terutamaterutama dapatdapat digunakandigunakan untukuntuk pengembanganpengembangansistemsistem pakarpakar
Slide 3
PendahuluanPendahuluan
SistemSistem PakarPakar menawarkanmenawarkan keuntungankeuntungan--keuntungankeuntungan, , yaituyaitu pemakaianpemakaian dalamdalamperusahaanperusahaan dandan parapara manajermanajer, , tetapitetapi merekamerekamempunyaimempunyai keterbatasanketerbatasan yang yang signifikansignifikan. . PenelitianPenelitian yangyang berlanjutberlanjut yangyang menyertakanmenyertakanPenelitianPenelitian yang yang berlanjutberlanjut yang yang menyertakanmenyertakanjaringanjaringan neural neural diharapkandiharapkan memperluasmemperluaskemampuankemampuan daridari sistemsistem pakarpakar masamasa depandepan..kemampuankemampuan daridari sistemsistem pakarpakar masamasa depandepan..
Slide 4
Artificial Intelligence (AI)Artificial Intelligence (AI)
AktivitasAktivitas yang yang menyediakanmenyediakan sepertiseperti mesinmesinsebagaisebagai komputerkomputer dengandengan kemampuankemampuan untukuntukmenampilkanmenampilkan perilakuperilaku yang yang akanakan dianggapdianggapcerdascerdas jikajika ia diamati di dalam manusia.ia diamati di dalam manusia.
Slide 5
SejarahSejarah AIAI
SejarahSejarah AwalAwal•• John McCarthy John McCarthy mengusulkanmengusulkan istilahistilah, AI, , AI, padapada tahuntahun
19561956 tt k f ik f i D t th C llD t th C ll1956, 1956, saatsaat konferensikonferensi Dartmouth College.Dartmouth College.•• Teori Logika (program pertama AI. Herbert Simon Teori Logika (program pertama AI. Herbert Simon
memegang peranan)memegang peranan)memegang peranan) memegang peranan) •• PemecahPemecah masalahmasalah UmumUmum (GPS (GPS GPSGPS))2 2 dekadedekade masamasa lampaulampau•• PenelitianPenelitian telahtelah mengambilmengambil suatusuatu tempattempat yang yang
belakangbelakang untukuntuk pengembanganpengembangan MIS MIS dandan DSSDSS
Slide 6
Area Area daridari Artificial IntelligenceArtificial Intelligence
Slide 7
PermohonanPermohonan SistemSistem PakarPakar
Program Program komputerkomputer yang yang mengmeng--kodekode--kankanpengetahuanpengetahuan daridari pakarpakar manusiamanusia dalamdalambentukbentuk heuristikheuristik
DuaDua perbedaanperbedaan daridari DSSDSS1. 1. MemilikiMemiliki potensipotensi untukuntuk memperluasmemperluas
kemampuankemampuan pemecahanpemecahan masalahmasalah manajermanajer2. Kemampuan untuk menjelaskan bagaimana 2. Kemampuan untuk menjelaskan bagaimana
solusi tercapaisolusi tercapai
Slide 8
Slide 9
Model Model SistemSistem PakarPakarInterface Interface PemakaiPemakai–– MungkinkanMungkinkan pemakaipemakai untukuntuk berhubunganberhubungan dengandengan
sistemsistemsistemsistemKnowledge base Knowledge base –– Houses accumulated knowledge Houses accumulated knowledge ggMesinMesin KesimpulanKesimpulan–– MenyediakanMenyediakan penalaranpenalaran–– menterjemahkanmenterjemahkan dasardasar pengetahuanpengetahuan (knowledge base)(knowledge base)MesinMesin PengembanganPengembangan
M i t kM i t k i ti t kk–– MenciptakanMenciptakan sistemsistem pakarpakar
Slide 10
User InterfaceUser Interface
PemakaiPemakai MemasukkanMemasukkan::–– InstruksiInstruksi }–– InformasiInformasiSistemSistem PakarPakar menyediakanmenyediakan::
Menu, perintah, natural language, GUI}S steS ste a aa a e yed a ae yed a a–– SolusiSolusi–– PenjelasanPenjelasan mengenaimengenai::PenjelasanPenjelasan mengenaimengenai::» » PertanyaanPertanyaan»» SolusiSolusi masalahmasalah» » SolusiSolusi masalahmasalah
Slide 11
Knowledge BaseKnowledge Base
UraianUraian daridari domain domain masalahmasalahRules/Rules/AturanAturan–– TeknikTeknik representasirepresentasi PengetahuanPengetahuan–– LogikaLogika ‘IF:THEN’‘IF:THEN’–– JaringanJaringan aturanaturan» Tingkat Paling » Tingkat Paling rendahrendah menyediakanmenyediakan buktibukti» » TingkatanTingkatan PuncakPuncak menghasilkanmenghasilkan 1 1 atauatau lebihlebih
kesimpulankesimpulan» » Kesimpulan disebut satu variabel tujuanKesimpulan disebut satu variabel tujuan..
Slide 12
Slide 13
PemilihanPemilihan AturanAturan/Rule/Rule
PemilihanPemilihan aturanaturan untukuntuk efisiensiefisiensi pemecahanpemecahansuatusuatu masalahmasalah adalahadalah sulitsulit
BeberapaBeberapa tujuantujuan dapatdapat dicapaidicapai dengandengan hanyahanyasedikitsedikit aturanaturan/rule; /rule;
Slide 14
MesinMesin KesimpulanKesimpulan
LakukanLakukan penalaranpenalaran dengandengan menggunakanmenggunakan isiisidasardasar pengetahuanpengetahuan dalamdalam satusatu urutanurutantertentutertentu
DuaDua pendekatanpendekatan dasardasar untukuntuk menggunakanmenggunakanaturanaturan
1. 1. PenalaranPenalaran majumaju (data driven) (data driven) 2. 2. PenalaranPenalaran kebalikankebalikan (goal driven)(goal driven)
Slide 15
Forward Reasoning Forward Reasoning (Forward Chaining)(Forward Chaining)AturanAturan/rule /rule dievaluasidievaluasi sebagaisebagai: : (1) (1) benarbenar, (2) , (2) salahsalah, (3) , (3) taktak dikenaldikenalEvaluasiEvaluasi aturanaturan adalahadalah satusatu prosesproses iterative iterative KetikaKetika tidaktidak adaada lagilagi aturanaturan yang yang dapatdapat
dipresiksidipresiksi, , prosesproses penalaranpenalaran berhentiberhentisekalipunsekalipun satusatu tujuantujuan tidaktidak dicapaidicapai
MulaiMulai dengandengan input input dandanbekerjabekerja menujumenuju solusisolusi
Slide 16
Slide 17
LangkahLangkah PenalaranPenalaran KebalikanKebalikan
Membagi masalah ke dalam subMembagi masalah ke dalam sub--masalahmasalahCobaCoba untukuntuk memecahkanmemecahkan satusatu subproblemsubproblemKemudianKemudian mencobamencoba yang lainyang lain
MulaiMulai dengandengan solusisolusi dandanbergerakbergerak kembalikembali keke masukanmasukangg
Slide 18
Slide 19
Slide 20
Forward VS Reverse ReasoningForward VS Reverse Reasoning
Reverse reasoning Reverse reasoning lebihlebih cepatcepat dibandingkandibandingkanforward reasoningforward reasoning
Reverse reasoning Reverse reasoning bekerjabekerja terbaikterbaik didi bawahbawahsyaratsyarat--syaratsyarat tertentutertentu
•• BerbagaiBerbagai variabelvariabel tujuantujuan•• BanyakBanyak AturanAturan/rule/rule•• SemuaSemua atauatau sebagiansebagian besarbesar aturanaturan tidaktidak
harusharus diujidiuji didi dalamdalam prosesproses mencapaimencapai satusatullsolusisolusi
Slide 21
MesinMesin PengembangPengembang
BahasaBahasa PemrogramanPemrograman-- LispLisppp–– PrologPrologExpert system shellsExpert system shellspe t syste s e spe t syste s e sProsesor yang sudah jadi dapat dikhususkan Prosesor yang sudah jadi dapat dikhususkan untuk satu domain masalah tertentuuntuk satu domain masalah tertentuCaseCase--based reasoning (CBR)based reasoning (CBR)Decision treeDecision treeDecision treeDecision tree
Slide 22
KeuntunganKeuntungan SistemSistem PakarPakar
BagiBagi manajermanajer•• MempertimbangkanMempertimbangkan lebihlebih banyakbanyak alternatifalternatif•• MenerapkanMenerapkan logikalogika tingkattingkat tinggitinggi•• MempunyaiMempunyai lebihlebih banyakbanyak waktuwaktu untukuntuk mengevaluasimengevaluasi
aturanaturan pengambilanpengambilan keputusankeputusanaturanaturan pengambilanpengambilan keputusankeputusan•• LogikaLogika KonsistenKonsistenBagiBagi perusahaanperusahaangg pp•• KinerjaKinerja LebihLebih baikbaik daridari timtim manajemenmanajemen•• Mempertahankan sumber daya pengetahuan Mempertahankan sumber daya pengetahuan
perusahaanperusahaanSlide 23
KekuranganKekurangan SistemSistem PakarPakar
tidaktidak bisabisa menanganimenangani pengetahuanpengetahuan yang yang tidaktidak konsistenkonsistentidak bisa menerapkan tidak bisa menerapkan judgement/pertimbangan atau intuisijudgement/pertimbangan atau intuisi
Slide 24
KunciKunci SuksesSukses MengembangkanMengembangkan ESES
•• KoordinirKoordinir pengembanganpengembangan ES ES dengandengan perencanaanperencanaanstrategisstrategisD fi i ikD fi i ik l hl h dd j lj l t kt k di hkdi hk•• DefinisikanDefinisikan masalahmasalah dengandengan jelasjelas untukuntuk dipecahkandipecahkandandan memahamimemahami domain domain masalahmasalah
•• MemberikanMemberikan perhatianperhatian tertentutertentu padapada kelayakankelayakan etikaetikaMemberikanMemberikan perhatianperhatian tertentutertentu padapada kelayakankelayakan etikaetikadandan hukumhukum daridari kelayakankelayakan sistemsistem yang yang diusulkandiusulkan
•• Memahami perhatian dan ekspektasi pemakai Memahami perhatian dan ekspektasi pemakai ii iimengenaimengenai sistemsistem
•• MenggunakanMenggunakan teknikteknik manajemenmanajemen yang yang dirancangdirancanguntukuntuk mempertahankanmempertahankan pengembangpengembanguntukuntuk mempertahankanmempertahankan pengembangpengembang
Slide 25
Neural NetworksNeural Networks
Model Model matematismatematis daridari otakotak manusiamanusia-- MensimulasikanMensimulasikan caracara neuron neuron salingsalinggg
berhubunganberhubungan untukuntuk memprosesmemproses data data dandanbelajarbelajar daridari pengalamanpengalaman
PendekatanPendekatan daridari bawahbawah keke atasatas untukuntukmemodelkanmemodelkan intuisiintuisi manusiamanusia
Slide 26
OtakOtak ManusiaManusia
Neuron Neuron –– ProsesorProsesor informasiinformasi–– InputInput ---- dendritesdendritesInput Input dendritesdendrites–– Processing Processing ---- somasoma–– OutputOutput –– axonaxonOutput Output axonaxonNeuron Neuron dihubungkandihubungkan oleholeh synapsesynapse
Slide 27
Simple Biological NeuronsSimple Biological Neurons
Slide 28
EvolusiEvolusi ArtificialArtificialNeural Systems (ANS)Neural Systems (ANS)
FungsiFungsi neuron neuron matematismatematis McCulloch Pitts (McCulloch Pitts (akhirakhir19301930--an) an) adalahadalah titiktitik awalawal
Hebb’sHebb’s learning law (learning law (awalawal tahuntahun 19401940--an) an) NeurocomputersNeurocomputers-- Marvin Marvin Minsky’sMinsky’s SnarkSnark ((awalawal tahuntahun 19501950--an)an)–– Rosenblatt’s Rosenblatt’s PerceptronPerceptron ((pertengahanpertengahan tahuntahunpp ((p gp g
1950)1950)
Slide 29
MetodologiMetodologi SaatSaat iniini
Model Model MatematisMatematis tidaktidak menduplikasikanmenduplikasikan otak otak manusia, tetapi memperlihatkan kemampuan manusia, tetapi memperlihatkan kemampuan serupaserupa
Jaringan yang kompleksJaringan yang kompleksPelatihan berulangPelatihan berulang
ANS “ANS “belajarbelajar” ” dengandengan contohcontoh
Slide 30
Single Artificial NeuronSingle Artificial Neuron
Slide 31
MultiMulti--Layer Layer PerceptronPerceptron
Slide 32
Sistem Berbasis pengetahuan di Sistem Berbasis pengetahuan di dalam Perspectivedalam Perspective
BanyakBanyak yang yang dipenuhidipenuhi didi dalamdalam jaringanjaringan syarafsyarafdandan sistemsistem pakarpakar
MenyisakanMenyisakan banyakbanyak pekerjaanpekerjaanKemampuanKemampuan sistemsistem untukuntuk menirumeniru kecerdasankecerdasan
manusiamanusia adalahadalah terlaluterlalu terbatasterbatas dandan dianggapdianggapsebagaisebagai primitifprimitif
Slide 33