“MAKALAH NATURAL LANGUAGE INTERFACE TO DATABASE”

NAMA           : RACHMA RAMADHANTI

NPM               : 18114675

KELAS          : 3KA39

BAB I 

PENDAHULUAN

Informasi memainkan peran penting dalam kehidupan kita. Salah satu sumber utama informasi database. Database dan teknologi database mengalami dampak yang besar pada meningkatnya penggunaan komputer. Hampir semua aplikasi IT yang menyimpan dan mengambil informasi dari database. Mengambil informasi database membutuhkan pengetahuan tentang bahasa basis data seperti SQL. Query Language (SQL) norma terstruktur yang dikejar di hampir semua bahasa untuk sistem database relasional. Namun, tidak semua orang bisa menulis query SQL karena mereka mungkin tidak menyadari struktur database. Jadi ini telah menyebabkan pengembangan Intelligent Database System (IDBS). Ada kebutuhan besar untuk pengguna non-ahli untuk query database relasional dalam bahasa alami mereka bukan bekerja dengan nilai-nilai atribut. Akibatnya natural language interface to database telah dikembangkan, yang menyediakan pilihan fleksibel untuk memanipulasi query. Ide menggunakan Natural Language bukan SQL telah mendorong pengembangan jenis baru pengolahan disebut Natural Language Interface to Database. NLIDB adalah langkah menuju pengembangan Intellignt Database System  (IDBS) untuk meningkatkan pengguna dalam melakukan query fleksibel dalam database. Tulisan ini merupakan pengantar untuk Sistem Database Cerdas dan Interface Natural Language to Database.

 BAB II

PEMBAHASAN

Database merupakan yang  terpenting dalam berbagai macam bidang aplikasi menggunakan sistem informasi swasta dan publik. Database dibangun dengan tujuan untuk memfasilitasi kegiatan penyimpanan data, pengolahan, dan pengambilan terkait dengan pengelolaan data dalam sistem informasi. Karena kemajuan aplikasi teknologi komputer, aplikasi luas teknologi web di beberapa daerah menjadi akurat, database telah menjadi repositori dari volume besar data dalam database relasional, untuk mengambil informasi dari database, salah satu kebutuhan untuk merumuskan query sedemikian rupa bahwa komputer akan memahami dan menghasilkan output yang diinginkan. Query Language (SQL) norma terstruktur yang dikejar di hampir semua bahasa untuk sistem database relasional. Norma-norma SQL didasarkan pada interpretasi Boolean query. Tetapi beberapa persyaratan pengguna mungkin tidak dijawab secara eksplisit oleh sistem query klasik. Hal ini karena fakta bahwa karakteristik persyaratan 'tidak bisa diungkapkan dengan bahasa query biasa. Banyak aplikasi database generasi baru menetapkan manajemen informasi cerdas memerlukan interaksi efisien antara pengguna dan basis data. Dalam beberapa kali, ada meningkatnya permintaan untuk pengguna non-ahli untuk query database relasional dalam bahasa yang lebih alami meliputi variabel linguistik dan hal, bukannya beroperasi pada nilai-nilai atribut.

Oleh karena itu ide untuk menggunakan bahasa alami bukan SQL telah mendorong pengembangan jenis baru metode pengolahan yang disebut Natural Language Interface to Database (NLIDB). NLIDB adalah langkah menuju pengembangan sistem database cerdas (IDBS) untuk meningkatkan pengguna dalam melakukan query fleksibel dalam database.

1.  Intelligent  Database System (IDBS)

Sebuah IDBS diberkahi dengan sistem manajemen data mampu mengelola sejumlah besar data persistem yang berbagai bentuk penalaran dapat diterapkan untuk menyimpulkan data dan informasi tambahan. Ini termasuk teknik pengetahuan representasi, teknik inferensi, dan antarmuka pengguna cerdas - antarmuka yang melampaui pendekatan bahasa query tradisional dengan memanfaatkan fasilitas bahasa alami . Teknik ini memainkan peran penting dalam meningkatkan sistem database: teknik representasi pengetahuan memungkinkan seseorang untuk mewakili baik di DB semantik dari domain aplikasi, teknik inferensi memungkinkan satu untuk alasan tentang data untuk mengambil data dan informasi tambahan, user interface Cerdas membantu pengguna untuk membuat permintaan dan menerima balasan.

Intelligent  Database System adalah sistem yang mengelola informasi dengan cara alami, membuat informasi yang mudah untuk menyimpan, mengakses dan menggunakan. Salah satu alasan utama untuk menggunakan Intelligent  Database System adalah bahwa kita hidup dalam keadaan kekenyangan informasi. Untuk sekadar bertahan hidup dalam masyarakat saat ini, kita perlu mengakses dan menggunakan informasi ini. Dengan menggunakan Intelligent  Database System kita dapat memiliki akses yang lebih baik dalam penggunaan, lebih banyak jenis informasi yang mereka bisa sebaliknya. Ini berarti Intelligent  Database System harus  memberikan tingkat tinggi alat cerdas yang memberikan wawasan baru ke dalam isi database dengan mengekstraksi pengetahuan dari data. Membuat informasi tersedia untuk sejumlah besar orang karena lebih banyak orang sekarang dapat memanfaatkan sistem karena kemudahan penggunaan. Meningkatkan proses pengambilan keputusan yang terlibat dalam menggunakan informasi setelah itu telah diambil dengan menggunakan model informasi tingkat yang lebih tinggi.

Saling berhubungan informasi dari sumber yang berbeda menggunakan media yang berbeda sehingga informasi lebih mudah diserap dan dimanfaatkan oleh pengguna. Gunakan pengetahuan dan inferensi, sehingga lebih mudah untuk mengambil, melihat dan membuat keputusan dengan informasi.

Dalam beberapa kali ini , ada meningkatnya permintaan untuk pengguna non-ahli untuk query database relasional dalam bahasa yang lebih alami meliputi variabel linguistik , bukannya beroperasi pada nilai-nilai atribut. Natural Language Interface to Database, pendekatan yang menjanjikan, meningkatkan pengguna dalam melakukan query fleksibel dalam database. Penelitian dan kemajuan NLIDB, merupakan langkah penting menuju pengembangan sistem database cerdas dan telah muncul sebagai sebuah disiplin baru dan telah terpesona perhatian terhadap jumlah peneliti.

2.  Natural Language Interface to Database (NLIDB)

Natural Language Interface to Database merupakan  untuk menerima permintaan dalam bahasa Inggris atau bahasa alam lainnya dan mencoba untuk 'memahami' mereka atau kita dapat mengatakan bahwa Natural Language Interface to Database (NLIDB) adalah sistem yang menerjemahkan kalimat bahasa alami ke dalam query database. Meskipun penelitian awal telah dimulai sejak akhir tahun enam puluhan , NLIDB tetap sebagai masalah penelitian terbuka. Sebuah sistem NLIDB lengkap akan menguntungkan kita dalam banyak cara. Siapapun dapat mengumpulkan informasi dari database dengan menggunakan sistem seperti .Additionally, mungkin mengubah persepsi kita tentang informasi dalam database. Secara tradisional, orang yang digunakan untuk bekerja dengan bentuk harapan mereka sangat tergantung pada kemampuan formulir. NLIDB membuat seluruh pendekatan yang lebih fleksibel, karena itu akan memaksimalkan penggunaan database. Ada banyak aplikasi yang dapat mengambil keuntungan dari NLIDB. Di PDA dan ponsel lingkungan, tampilan layar tidak selebar komputer atau laptop. Mengisi formulir yang memiliki banyak bidang dapat membosankan satu mungkin harus menavigasi melalui layar, untuk menggulir, untuk mencari nilai-nilai kotak scroll, dll Sebaliknya, dengan NLIDB, satu-satunya pekerjaan yang perlu dilakukan adalah dengan mengetikkan pertanyaan serupa dengan SMS (Short Messaging System).

2.1 Sub Komponen NLIDB

Komputasi ilmuwan telah membagi masalah akses Natural Language Interface to Database menjadi dua sub-komponen:

-          Komponen linguistik

-          komponen database

Komponen Linguistik

Hal ini bertanggung jawab untuk menerjemahkan masukan bahasa alami ke dalam query formal dan menghasilkan respon bahasa alami berdasarkan hasil dari database pencarian.

Komponen Database

Ini merupakan fungsi tradisional dari Database Management . Sebuah leksikon adalah tabel yang digunakan untuk memetakan kata-kata input alami ke objek formal (nama relasi, atribut nama, dll) dari database. Kedua parser dan juru semantik memanfaatkan leksikon. Sebuah generator bahasa alami mengambil tanggapan resmi sebagai masukan, dan memeriksa pohon parsing untuk menghasilkan respon bahasa alami yang memadai. sistem database bahasa alami memanfaatkan pengetahuan sintaksis dan pengetahuan tentang database sebenarnya dalam rangka untuk benar berhubungan masukan bahasa alami dengan struktur dan isi dari database tersebut. pengetahuan sintaksis biasanya berada dalam komponen linguistik dari sistem, khususnya dalam analisa sintaks sedangkan pengetahuan tentang database sebenarnya berada sampai batas tertentu dalam model data semantik digunakan. Pertanyaan yang dimasukkan dalam bahasa alami diterjemahkan ke dalam sebuah pernyataan dalam bahasa query formal. Setelah pernyataan itu jelas terbentuk, query diproses oleh sistem manajemen database untuk menghasilkan data yang dibutuhkan. Data ini kemudian diteruskan kembali ke komponen bahasa alami di mana rutinitas generasi memproduksi versi bahasa permukaan respon.

3. Contoh Penerapan Aplikasi dari NLIDB

Masih sangat sedikit sekali aplikasi yang memperlihatkan interaksi pengguna dengan actor virtual. Untuk mempelajari kecocokan syarat-syarat teknis dalam lingkungan yang nyata, penelitian dari setiap kemungkinan manusia mengendalikan karakter dalam sebuah game dengan menggunakan instruksi bahasa natural. Game pada PC menyediakan lingkungan virtual dengan skala besar yang terbatas, dengan beberapa tugas yang dapat di definisikan; pada penelitian ini, mengambil sebuah game PC klasik berjudul DOOM™ sebagai contoh, karena game ini memiliki sumber daya dan desain yang cocok untuk sebuah game yang menggunakan metode pemrosesan bahasa natural. Karakter DOOM™ yang digunakan adalah karakter “dengan panduan” on-line yang bisa didapatkan di situs http://www.gamers.org . Panduan tersebut menjelaskan dalam bahasa natural tentang alur dari tiap-tiap level dari game tersebut seperti: penjabaran peta, lokasi-lokasi item, dan penjelasan tentang urutan langkah yang harus diambil oleh pemain. Berikut adalah contoh panduan dari game DOOM™:

Enter the door with the skull on it and push the switch. Walk out of the room and turn right. There are now stairs going into the wall, which is fake. Enter the teleporter, you’re now in a circular room; find the secret door (the wall with the face on it) to go to the next circular room and enter the teleporter.

Masuki pintu bergambar tulang dan tekan switch yang ada. Jalan terus sepanjang ruangan dan belok kanan. Disana ada tangga palsu yang menggantung di tembok. Masuki teleporter, sekarang kamu ada di ruangan bundar; temukan pintu rahasia (dinding yang bergambar wajah) untuk masuk ke ruangan bundar berikutnya dan masuki teleport

                        Gambar : Instruksi bahasa natural dari emulator game DOOM

Panduan tersebut berfungsi untuk mencocokan penjelasan yang diberikan kepada pemain sebelum sesi game dimulai. Beberapa penjelasan memasukkan saran sepanjang tiap aksi yang berkelanjutan di lakukan, termasuk akibat dari aksi sebelumnya (cth.

“masuki teleporter, sekarang kamu ada di ruangan bundar”). Dalam game ini terdapat banyak variable yang memunculkan instruksi-instruksi yang dibawa pada setiap aksi dasar, yang mana instruksi-instruksi tersebut membutuhkan pemrosesan bahasa natural.

Karakter dalam game ini memberi kesan keteraturan sosiolektal, yang dapat di kategorikan sebagai sub-bahasa. Kesan ini akan membawa dampak yang signifikan terhadap pemrosesan bahasa natural. Di lain pihak metode umum untuk merancang interaksi dari bahasa natural adalah dengan mengartikan bahasa yang sering digunakan manusia. Metode ini secara otomatis mendefinisikan pengendalian tata bahasa, yang di rancang untuk memfasilitasikan pemrosesan tata bahasa yang membuat parsing menjadi mudah dikerjakan. Di dalam tata bahasa yang umum digunakan manusia, pendekatan praktis, mengidentifikasi aksi target, menyelidiki tiap perintah yang di sampaikan, dan membangkitkan kumpulan dari aturan-aturan.

Komunikasi dengan actor virtual sampai pada dua paradigma: di satu pihak, dilihat dari aplikasi awalnya (game computer), sangat memungkinkan untuk menyadari kemunculan sub-bahasa yang actual. Di lain pihak, batasan pengenalan ucapan (speech recognition) dan parsing membuat sebuah celah antara actor virtual dengan tata-bahasa umum.

4. Keuntungan dan Kerugian NLIDB

4.1 Keuntungan NLIDB

1.  Tidak ada Bahasa Buatan

Salah satu keuntungan dari NLIDB seharusnya bahwa pengguna tidak diperlukan untuk belajar bahasa komunikasi buatan. bahasa query formal seperti SQL sulit untuk belajar dan menguasai, setidaknya oleh non-komputer-spesialis.

2.  Sederhana, mudah digunakan

Pertimbangkan database dengan bahasa query atau bentuk tertentu dirancang untuk menampilkan query. Sementara sistem NLIDB hanya membutuhkan input tunggal, bentuk berbasis mungkin berisi beberapa masukan (bidang, kotak scroll, kotak combo, radio tombol, dll) tergantung pada kemampuan formulir. Dalam hal bahasa query, pertanyaan mungkin perlu diungkapkan menggunakan beberapa pernyataan yang mengandung satu atau lebih pertanyaan sub dengan beberapa operasi bersama sebagai konektor. Saat ini semua sistem NLIDB hanya dapat menangani beberapa subset dari bahasa alami dan tidak mudah untuk menentukan subset ini. Bahkan beberapa sistem NLIDB tidak bisa menjawab pertanyaan-pertanyaan tertentu milik subset mereka sendiri. Hal ini tidak terjadi di bahasa formal. Cakupan bahasa formal jelas dan pernyataan yang mengikuti aturan yang diberikan dijamin untuk memberikan jawaban yang sesuai.

3. Baik untuk Beberapa Pertanyaan

            Telah berpendapat bahwa ada beberapa jenis pertanyaan (mis pertanyaan yang melibatkan negasi, atau kuantifikasi) yang dapat dengan mudah dinyatakan dalam bahasa alami, tapi itu tampaknya sulit (atau setidaknya membosankan) untuk mengekspresikan menggunakan antarmuka grafis atau bentuk berbasis. Misalnya, "Yang departemen tidak memiliki programmer?" (Negasi), atau "Yang perusahaan memasok setiap departemen?" (Universal kuantifikasi), dapat dengan mudah dinyatakan dalam bahasa alami, tetapi mereka akan sulit untuk mengungkapkan dalam banyak grafis atau bentuk- antarmuka berbasis. Pertanyaan seperti di atas dapat, tentu saja, dinyatakan dalam bahasa query database seperti SQL, tapi ekspresi bahasa query database yang kompleks mungkin harus ditulis.

4.  Toleransi kesalahan

Sebagian besar sistem NLIDB memberikan beberapa toleransi untuk kesalahan tata bahasa ringan, sementara di sistem komputer; sebagian besar waktu, leksikon harus persis sama seperti yang didefinisikan, sintaks harus benar mengikuti aturan-aturan tertentu, dan setiap kesalahan akan menyebabkan input secara otomatis ditolak oleh sistem. Dalam kasus kalimat tidak lengkap, sebagian besar computer sistem tidak memberikan dukungan apapun.

5.  Mudah Digunakan untuk Beberapa Tabel Database

Pertanyaan yang melibatkan beberapa tabel database seperti "daftar alamat petani yang mendapat bonus lebih besar dari 10.000 rupee untuk tanaman gandum", sulit untuk membentuk di antarmuka pengguna grafis dibandingkan dengan antarmuka bahasa alami

4.2 Kerugian NLIDB

1.  cakupan linguistik tidak jelas

Saat ini semua sistem NLIDB hanya dapat menangani beberapa subset dari bahasa alami dan tidak mudah untuk menentukan subset ini. Bahkan beberapa sistem NLIDB tidak bisa menjawab pertanyaan-pertanyaan tertentu milik subset mereka sendiri. Hal ini tidak terjadi di bahasa formal. Cakupan bahasa formal jelas dan pernyataan yang mengikuti aturan yang diberikan dijamin untuk memberikan jawaban yang sesuai.

2.  Linguistik vs kegagalan konseptual

Dalam kasus kegagalan sistem NLIDB, sering terjadi bahwa sistem tidak memberikan penjelasan tentang apa yang menyebabkan sistem gagal. Beberapa pengguna mungkin mencoba untuk ulang kata-kata pertanyaan atau hanya meninggalkan pertanyaan yang belum terjawab. Sebagian besar waktu, terserah kepada pengguna untuk menentukan penyebab kesalahan.

3.  harapan palsu

Orang dapat disesatkan oleh kemampuan sistem ini NLIDB untuk memproses bahasa alami: mereka mungkin menganggap bahwa sistem cerdas .Oleh daripada meminta pertanyaan yang tepat dari database, mereka mungkin tergoda untuk mengajukan pertanyaan yang melibatkan ide-ide yang kompleks, penilaian tertentu, penalaran kemampuan, dll, yang sistem NLIDB tidak bisa diandalkan.

BAB III

PENUTUP

  

 KESIMPULAN

Setelah saya baca dan saya pahami bahwa NLIDB (Natural Language Interface to Database) adalah sebuah sistem yang menerjemahkan kalimat bahasa alami ke dalam query database, sehingga dapat memudahkan pengguna dalam memaksimalkan penggunaan database. Bahasa alami ini dapat meningkatkan pengguna dalam melakukan query fleksibel dalam database. Dan NLIDB dibantu dengan IDBS( Intelligent  Database System )adalah sistem yang mengelola informasi dengan cara alami, membuat informasi yang mudah untuk menyimpan, mengakses dan menggunakannya.

SARAN

Saran saya mengenai NLIDB (Natural Language Interface to Database) sudah sangat membantu user dalam menggunakan database tapi dalam NLIDB tidak bisa menjawab pertanyaan-pertanyaan tertentu milik subset mereka sendiri. Dan harus menggunakan bahasa formal yang jelas dan pernyataan yang mengikuti aturan yang diberikan dijamin untuk memberikan jawaban yang sesuai. Diharapkan NLIDB dapat merubah agar bisa menjawab pertanyaan tertentu dalam subset-subset dan memberikan jawaban dengan bahasa yang sesuai.

REFERENSI

[1]. Bertino, B. Catania, G.P. Zarri, “Intelligent database systems”, Reading, Addsion Wesley Professional, 2001.

[2]. Kamran Parsaye, Mark Chignell, Setrag Khoshafian and Harry Wong, “Intelligent databases-object-oriented, deductive hypermedia technologies”, New York, John Wiley& Sons, 1989.

[3]. Androutsopoulos, G.D. Ritchie, and P. Thanisch, Natural Language Interfaces to Databases - An Introduction, Journal of Natural Language Engineering 1 Part 1 (1995), 29–81

[4]. Charniak E. 1993, “Statistical Language Learning”, MIT Press.

[5]. Church K., Mercer R. 1993, “Introduction to the special issue on computational linguistics using large corpora”,

      Computational Linguistics,19 (1), pp. 1-24.

[6]. Miikkulainen R. 1993, “Subsymbolic Natural Language Processing: An Integrated Model of Scripts, Lexicon, and Memory”, MIT Press, Cambridge, MA.

[7]. Marcus M., Santorini B., Marcinkiewicz M. 1993,” Building a large annotated corpus of English: The Penn Treebank”, Computational Linguistics, 19 (2), pp. 313-330.

[8]. McCarthy J, Lehnert W ,1995, “Using decision trees for coreference resolution”, Proceedings of the Fourteenth International Joint Conference on Artificial Intelligence, pp. 1050-1055.

MAKALAH "EXPERT SYSTEM"

BAB I

PENDAHULUAN

1.1. Latar Belakang Masalah

Keunggulan manusia dibanding dengan makhluk lainnya terletak pada kecerdasannya. Dengan kecerdasan manusia menguasai ilmu pengetahuan dan teknologi. Manusia kemudian diciptakan berbagai macam karya termasuk salah satunya adalah komputer. Dalam era komputer, peran komputer sangat besar untuk meringankan pekerjaan manusia karena dapat mengolah data dalam jumlah yang besar dengan tingkat ketelitian yang tinggi. Penerapan komputer juga dilakukan pada berbagai bidang ilmu termasuk diantaranya dalam bidang ketenaga-kerjaan. Sebagai salah satu negara yang yang sedang berkembang, sudah tentu indonesia membutuhkan tenaga kerja yang potensial dan memiliki kriteria yang sesuai dengan pekerjaannya untuk mendukung perkembangan dan kemajuan negara indonesia.

Perusahaan membutuhkan seorang pakar yang dapat menangani masalah dibagian-bagian perusahaan. Akan tetapi perusahaan belum tentu dapat memakai seorang pakar karena dipandang dari segi keuangan perusahaan maupun waktu pakar tersebut. Dengan adanya masalah diatas, maka peranan komputer akan sangat diperlukan dalam membantu perusahaan khususnya bagian personalia untuk mengatasi masalah tersebut. Oleh karena itu, maka dibuatlah suatu sistem pakar untuk memudahkan perusahaan dalam merekrut karyawan secara baik berdasarkan kriteria-kriteria yang sesuai dengan kebutuhan perusahaan. Solusi dari permasalahan ini adalah penggunaan sistem pakar yang berbasis komputer.

Sistem pakar adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer yang dirancang untuk memodelkan kemampuan menyelesaikan masalah seperti layaknya seorang pakar. Dengan sistem pakar ini, orang awam pun dapat menyelesaikan masalahnya atau hanya sekedar mencari suatu informasi berkualitas yang sebenarnya hanya dapat diperoleh dengan bantuan para ahli di bidangnya. Sistem pakar ini juga akan dapat membantu aktivitas para pakar sebagai asisten yang berpengalaman dan mempunyai asisten yang berpengalaman dan mempunyai pengetahuan yang dibutuhkan. Dalam penyusunannya, sistem pakar mengkombinasikan kaidah-kaidah penarikan kesimpulan (inference rules) dengan basis pengetahuan tertentu yang diberikan oleh satu atau lebih pakar dalam bidang tertentu. Kombinasi dari kedua hal tersebut disimpan dalam komputer, yang selanjutnya digunakan dalam proses pengambilan keputusan untuk penyelesaian masalah tertentu.

1.2. Rumusan Masalah

Rumusan Makalah ini menjelaskan tentang :

1.    Definisi Sistem Pakar?

2.    Komponen atau Bagian Utama Sistem Pakar?

3.    Ciri-ciri Sistem Pakar?

4.    Keuntungan dan Kelemahan Sistem Pakar?

5.    Contoh Aplikasi Sistem Pakar?

BAB II

PEMBAHASAN

2.1 Definisi Sistem Pakar

Pakar adalah orang yang memiliki pengetahuan, penilaian, pengalaman, metode khusus, serta kemampuan untuk menerapkan bakat ini dalam memberi nasihat dan memecahkan masalah. Misalnya seorang dokter, penasehat keuangan, pakar mesin mobil, dll. (Kusumadewi,2003)

Kepakaran (expertise) adalah pengetahuan yang ekstensif (meluas) dan spesifik yang diperoleh melalui rangkaian pelatihan, membaca, dan pengalaman. Pengetahuan membuat pakar dapat mengambil keputusan secara lebih baik dan lebih cepat daripada non-pakar dalam memecahkan problem yang kompleks. Kepakaran mempunyai sifat berjenjang, pakar top memiliki pengetahuan lebih banyak daripada pakar yunior.(Kusummadewi,2003)

Sistem Pakar adalah : Sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti yang biasa dilakukan para ahli. (Syammsudin aries,2004)

Sistem pakar diciptakan tidak untuk menggantikan kedudukan seorang pakar tetapi untuk memasyarakatkan pengetahuan & pengalaman pakar tersebut. Tujuan dari sebuah sistem pakar adalah untuk mentransfer kepakaran yang dimiliki seorang pakar kedalam komputer, dan kemudian kepada orang lain (nonexpert).

Bentuk umum sistem pakar adalah suatu program yang dibuat berdasarkan suatu set aturan yang menganalisis informasi (biasanya diberikan oleh pengguna suatu sistem) mengenai suatu kelas masalah spesifik serta analisis matematis dari masalah tersebut.

Sistem Pakar memberikan banyak keuntungan bagi operasi perusahaan dan manajer, tetapi memiliki keterbatasan significan. Artificial Intelligence merupakan suatu aktivitas untuk menyediakan berbagai mesin seperti komputer dengan menampilkan perilaku dengan penalaran yang cerdas apabila diamati sebagai manusia. Artificial Intelligence menyajikan berbagai aplikasi komputer yang canggih untuk menyamai berbagai jenis penalaran manusia.

SP dikembangkan pertama kali oleh komunitas AI tahun 1960an. SP yang pertama adalah General Purpose Problem Solver (GPS) yang dikembangkan oleh Newel Simon.

2.2 Komponen atau Bagain Utama Sistem Pakar

Jeffrey D Ullman (1999) membagi komponen atau bagian sistem pakar dalam beberapa bagiann yaitu:

a.    User Interface (Antarmuka Pemakai)

Antarmuka pemakai, memungkinkan pemakai untuk berinteraksi dengan expert system. User interface digunakan manajer untuk meng-enter instruksi dan informasi ke dalam sistem pakar dan menerima informasi dari sistem pakar.

a)    Input Sistem Pakar

User interface dirancang untuk mempermudah dialog dua arah antara sistem dan pemakai dengan menmpilkanteknik tanya jawab dan pengisian formulir kemudian muncul bahasa perintah dan menu elektronik dan sistem manajemen data base.

b)    Output Sistem pakar

Sistem pakar dirancang untuk menyarankan pemecahan.

b.    Knowledge Base (basis pengetahuan)

Knowledge Base berisi pengetahuan-pengetahuan (pengetahuan gabungan) dalam memahami, merumuskan, dan penyelesaian masalah. Knowledge Base adalah bagian dari sistem pakar yang berisi domain pengetahuan.

Knowledge base terdiri dari fakta yang menggambarkan area problem atau problem domain dan juga teknik penyajian yang menggunakan fakta sesuai logika. Domain pengetahuan seorang pakar pada dasarnya adalah spesifik terhadap domain masalah.

c.     Inference Engine (mesin inferensi)

Inference engine bertugas untuk menganalisis pengetahuan, memberikan kemampuan penalaran dan menarik kesimpulan berdasarkan knowledge base.

d.    Development Engine

Komponen yang digunakan untuk mengolah sistem pakar, terdiri dari bahasa pemrograman.

Semua Sistem Pakar terdiri dari sebuah alat penghubung (input dan output), suatu database, suatu dasar pengetahuan, dan suatu mekanisme kesimpulan. Lebih dari itu, pengembangan Sistem Pakar pada umumnya berproses melalui beberapa tahap yang mencakup pemilihan masalah, didapatnya pengetahuan, penyajian pengetahuan, programming, evaluasi dan pengujian.

Bagian dari  Sistem Pakar yang menarik adalah kemampuan perangkat lunak untuk meninjau ulang suatu konsultasi dan menyediakan suatu penjelasan kepada pemakai bagaimana caranya memperoleh kesimpulan. Fungsi penjelasan yang sangat utama adalah suatu catatan yang  menyangkut proses pemikiran yang digunakan oleh tenaga ahli untuk memecahkan masalah itu. Sistem Pakar menyediakan suatu pemahaman yang lebih baik bagaimana kesimpulan dicapai sehingga kepercayaan pemakai akan lebih besar dalam  mengambil kesimpulan menggunakan Sistem Pakar. Akumulasi fakta akan diperkenalkan  ketika suatu penjelasan diminta. Biasanya penjelasan yang diminta yaitu bagian dari perangkat lunak atau bagian luar dari pengembangan.

Tools perangkat lunak yang dikembangkan memberikan keleluasaan pada perekayasa pengetahuan untuk memasukkan himpunan aturan pada basis pengetahuan, dan diperolehnya suatu solusi berdasarkan basis pengetahuan yang ada. Sehingga Tools Sistem Pakar yang dibuat dalam penelitian ini dapat digunakan untuk memecahkan berbagai macam domain permasalahan.

Mesin informasi di atas merupakan mesin yang dapat berpikir dengan cermat dan tepat untuk pencapaian suatu keputusan yang diambil melalui pengetahuan, yakni komputer. Jadi Sistem Pakar dapat kita definisikan sebagai suatu sistem perangkat lunak yang menggunakan ilmu, fakta dan teknik berpikir dalam pengambilan keputusan untuk menyelesaikan masalah-masalah yang biasanya hanya dapat diselesaikan oleh tenaga kerja ahli dalam bidang yang bersangkutan. Ahli disini melakukan pemindahan ilmu pengetahuan (akuisisi ilmu pengetahuan) yang dia miliki kepada suatu sistem yang di berada pada sebuah perangkat lunak komputer. Sistem Pakar ini sudah banyak di gunakan untuk membantu manusia dalam bidang manajerial.

2.3 Ciri-ciri Sistem Pakar

Ciri-ciri Sistem Pakar menurut Syasudin aries (2004) adalah :

a)    Memiliki fasilitas informasi yang handal

b)    Mudah dimodifikasi

c)    Dapat digunakan dalam berbagai jenis komputer

d)    Memilki kemampuan untuk belajar beradaptasi.

e)    Bekerja secara sistematis berdasarkan pengetahuan dan mekanisme tertentu.

f)     Pengambilan keputusan berdasarkan kaidah-kaidah tertentu dan dapat merespons masukkan user (melalui kotak dialog).

g)    Dapat menalar data-data yang tidak pasti dan memberikan beberapa alasan pemilihan.

h)   Dikembangkan secara bertahap dan terbatas pada bidang keahlian tertentu saja.

i)     Outputnya berupa saran atau anjuran.

2.4  Keuntungan dan Kelemahan Sistem Pakar

Keuntungan dan kelemahan system pakar menurut Syamsudiin aries (2004);

·         Keuntungan SP :

1.    Memungkinkan orang awam bisa mengerjakan pekerjaan para ahli

2.    Menyederhanakan pekerjaan dan meningkatnya efisiensi kerja

3.    Bisa melakukan proses secara berulang secara otomatis

4.    Menyimpan pengetahuan dan keahlian para pakar

5.    Meningkatkan output dan produktivitas

6.    Meningkatkan kualitas

7.    Mampu mengambil dan melestarikan keahlian para pakar

8.    Mampu beroperasi dalam lingkungan berbahaya

9.    Memiliki kemampuan untuk mengakses pengetahuan

10.  Memiliki realibilitas

11.  Meningkatkan kapabilitas system computer

12.  Memiliki kemampuan untuk bekerja dengan informasi yang tidak lengkap dan mengandung ketidakpastian

13.  Sebagai media pelengkap dalam pelatihan

14.  Meningkatkan kapabilitas dalam penyelesaian masalah

15.  Menghemat waktu dalam pengambilan keputusan

·         Kelemahan SP :

1.    Biaya yang diperlukan untuk membuat dan memeliharanya sangat mahal

2.    Sulit dikembangkan. Hal ini erat kaitannya dengan ketersediaan pakar dalam bidangnya.

Sistem pakar hanya dapat menangani pengetahuan yang konsisten. Sistem pakar dirancang dengan aturan-aturan yang hasilnya sudah pasti dan konsisten sesuai dengan alur di diagram pohonnya. Untuk pengetahuan yang cepat berubah-rubah dari waktu ke waktu, maka knowledge base di sistem pakar harus selalu diubah, yang tentu cukup merepotkan.

3.    System pakar tidak 100% bernilai benar.

Sistem pakar tidak dapat menangani hal yang bersifat judgement(Pertimbangan atau intuisi). Sistem pakar memberikan hasil yang pasti, sehingga keputusan akhir pengambilan keputusan jika melibatkan kebijaksaaan dan institusi masih tetap di tangan manajemen.

2.5  Contoh Aplikasi dan Pengembangannya (Contoh) Sistem Pakar

1.                  Dendral : Mengidentifikasi struktur organik tak dikenal melalui analisa spektrum massa dan ilmu kimia

2.                  Mycin: Identifikasi bakteri penyebab infeksi dan merekomendasikan antiobiotik dengan dosis yang disesuaikan dengan berat tubuh pasien. Dirancang oleh Edward Feigenbaum (Universitas Stanford) th ’70 an.

3.                  Dipmeter Advisor: Digunakan oleh Schlumberger untuk analisis data dalam pengeboran minyak.

4.                  XCON & XSEL : Membantu konfigurasi sistem komputer besar. Dikembangkan oleh Digital Equipment Corporation (DEC) dan Carnegie Mellon Universitas (CMU), akhir ’70 an. Untuk sistem komputer DEC VAC 11 1780

5.                  Sophie : Analisis sirkit elektronik

6.                  Prospector : Digunakan di dalam geologi untuk membantu mencari dan menemukan deposit. Didesign oleh Sheffield Research Institute, akhir ‘70an

7.                  Folio : Menbantu memberikan keutusan bagi seorang manajer dalam hal stok broker dan investasi.

8.                  Delta : Pemeliharaan lokomotif listrik disel. Didesign & dikembangkan oleh General Electric Company.

9.                  YESMVS : Membantu operator komputer & mengontrol sistem operasi MVS (multiple virtual storage). Didesign oleh IBM awal th ‘80an

10.              ACE : SP troubleshooting pd sistem kabel telpon. Didesign & dikembangkan oleh AT&T Bell Lab awal th ‘80an

BAB III

PENUTUP

3.1 Kesimpulan

Dari makalah yang telah saya baca, saya menarik kesimpulan bahwa Sistem Pakar adalah Sistem yang dapat membantu manusia menyelesaikan masalah yang dihadapi dengan berdasarkan atas pengetahuan yang telah diprogramkan ke sistem tersebut dengan teknologi komputer dengan bantuan para ahli. Dan Sistem pakar dapat diaplikasikan dalam berbagai bidang, antara lain di bidang industri/manufaktur, pendidikan/ilmu pengetahuan, bisnis, psikologi, manajerial, eksplorasi alam, serta kedokteran.

3.2 Daftar Pustaka

http://infodanpengertian.blogspot.co.id/2015/04/pengertian-sistem-pakar-menurut-para.html

https://3onoikom.wordpress.com/materi-kuliah/sistem-pakar/

http://exsys123.blogspot.co.id/p/kesan-kesan.html