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