Materi SPK Chapter 1 - 15

Download Materi SPK dibawah ini.

Selengkapnya

Review Jurnal [Rekayasa Sistem Pendukung Keputusan Terhadap Permasalahan Biaya Pendidikan Mahasiswa]

Pendahuluan

Pendidikan merupakan suatu kebutuhan penting bagi setiap manusia, tujuannya agar manusia dapat mengembangkan dirinya menjadi pribadi yang cerdas dan berguna bagi nusa dan bangsa. namun, dewasa ini biaya yang harus dikeluarkan untuk kebutuhan pendidikan tidaklah sedikit, terutama pendidikan di perguruan tinggi. sehingga banyak yang memutuskan untuk menempuh pendidikan D1, D2 ataupun D3 dengan alasan biaya pendidikan yang lebih murah dan lama studi yang lebih singkat agar dapat langsung bekerja dari pada S1 atau bahkan ada pula yang lebih memilih untuk tidak meneruskan pendidikannya. akademi kebidanan pun menjadi salah satu pilihan untuk pendidikan tinggi di bidang kesehatan, contohnya adalah Akademi Kebidanan Wira Husada Nusantara (Akbid WHN) Malang.

Banyaknya jumlah mahasiswa ini tentu tidak sedikit pula mahasiswa yang memiliki latar belakang ekonomi yang kurang mapan. hal ini membuat pihak manajemen Akbid WHN harus lebih fleksibel dalam menangani permasalahan biaya pendidikan mahasiswa. kebijakan pihak manajemen dalam memberi kemudahan kepada para mahasiswa untuk mengangsur biaya pendidikan menyebabkan timbulnya permasalahan lain, yaitu banyaknya mahasiswa yang menunggak biaya pendidikan. proses pengambilan keputusan terhadap permasalahan biaya pendidikan mahasiswa di Akbid WHN saat ini masih belum efektif dan efisien. Proses pengambilan keputusan masih bersifat semi terotomatisasi yaitu sebagian proses masih dilakukan secara manual sehingga membutuhkan waktu yang lebih lama, dengan ketepatan dan keakuratan perhitungan yang belum tentu terjamin.

Penelitian ini dilakukan dengan tujuan sebagai berikut :

1. Merancang database yang diperlukan untuk mengakses sumber informasi dalam sistem pendukung keputusan di Akbid WHN.
2. Merancang beberapa system existing agar dapat terintegrasi menjadi sumber informasi pendukung keputusan.
3. Merancang model keputusan yang mampu mendukung penentuan alternatif keputusan yang diidentifikasi dari kategori kritis mahasiswa.
4. Menghasilkan sistem pendukung keputusan yang mampu memberikan informasi jumlah tunggakan, lama mahasiswa menunggakm serta kategori kritis yang mengikutinya sebagai informasi pendukung pengambilan keputusan dengan lebih cepat, tepat, dan akurat.

untuk lebih jelas silahkan download jurnal dibawah ini.

untuk Review Jurnal dibawah ini.

Selengkapnya

Algoritma Genetika

Algoritma genetik adalah teknik pencarian yang di dalam ilmu komputer untuk menemukan penyelesaian perkiraan untuk optimisasi dan masalah pencarian. Algoritma genetik adalah kelas khusus dari algoritma evolusioner dengan menggunakan teknik yang terinspirasi oleh biologi evolusioner seperti warisan, mutasi, seleksi alam dan rekombinasi (ataucrossover)

Algoritma Genetik pertama kali dikembangkan oleh John Holland pada tahun 1970-an di New York, Amerika Serikat. Dia beserta murid-murid dan teman kerjanya menghasilkan buku berjudul "Adaption in Natural and Artificial Systems" pada tahun 1975.

Algoritma Genetik khususnya diterapkan sebagai simulasi komputer dimana sebuah populasi representasi abstrak (disebut kromosom) dari solusi-solusi calon (disebut individual) pada sebuah masalah optimisasi akan berkembang menjadi solusi-solusi yang lebih baik. Secara tradisional, solusi-solusi dilambangkan dalam biner sebagai string '0' dan '1', walaupun dimungkinkan juga penggunaan penyandian (encoding) yang berbeda. Evolusi dimulai dari sebuah populasi individual acak yang lengkap dan terjadi dalam generasi-generasi. Dalam tiap generasi, kemampuan keseluruhan populasi dievaluasi, kemudian multiple individuals dipilih dari populasi sekarang (current) tersebut secara stochastic(berdasarkan kemampuan mereka), lalu dimodifikasi (melalui mutasi atau rekombinasi) menjadi bentuk populasi baru yang menjadi populasi sekarang (current) pada iterasi berikutnya dari algoritma.

Prosedur Algoritma Genetik

Algoritma genetik yang umum menyaratkan dua hal untuk didefinisikan: (1) representasi genetik dari penyelesaian, (2) fungsi kemampuan untuk mengevaluasinya.

Representasi baku adalah sebuah larik bit-bit. Larik jenis dan struktur lain dapat digunakan dengan cara yang sama. Hal utama yang membuat representasi genetik ini menjadi tepat adalah bahwa bagian-bagiannya mudah diatur karena ukurannya yang tetap, yang memudahkan operasi persilangan sederhana. Representasi panjang variabel juga digunakan, tetapi implementasi persilangan lebih kompleks dalam kasus ini. Representasi seperti pohon diselidiki dalam pemrograman genetik dan representasi bentuk bebas diselidiki di dalam HBGA.

Fungsi kemampuan didefinisikan di atas representasi genetik dan mengukur kualitas penyelesaian yang diwakili. Fungsi kemampuan selalu tergantung pada masalah. Sebagai contoh, jika pada ransel kita ingin memaksimalkan jumlah benda (obyek) yang dapat kita masukkan ke dalamnya pada beberapa kapasitas yang tetap. Representasi penyelesaian mungkin berbentuk larik bits, dimana tiap bit mewakili obyek yang berbeda, dan nilai bit (0 atau 1) menggambarkan apakah obyek tersebut ada di dalam ransel atau tidak. Tidak setiap representasi seperti ini valid, karena ukuran obyek dapat melebihi kapasitas ransel. Kemampuan penyelesaian adalah jumlah nilai dari semua obyek di dalam ransel jika representasi itu valid, atau jika tidak 0. Dalam beberapa masalah, susah atau bahkan tidak mungkin untuk mendefinisikan lambang kemampuan, maka pada kasus ini digunakan IGA.

Sekali kita mendefinisikan representasi genetik dan fungsi kemampuan, algoritma genetik akan memproses inisialisasi populasi penyelesaian secara acak, dan memperbaikinya melalui aplikasi pengulangan dengan aplikasi operator-operator mutasi, persilangan, dan seleksi.

Secara sederhana, algoritma umum dari algoritma genetik ini dapat dirumuskan menjadi beberapa langkah, yaitu:

1. Membentuk suatu populasi individual dengan keadaan acak
2. Mengevaluasi kecocokan setiap individual keadaan dengan hasil yang diinginkan
3. Memilih individual dengan kecocokan yang tertinggi
4. Bereproduksi, mengadakan persilangan antar individual terpilih diselingi mutasi
5. Mengulangi langkah 2 - 4 sampai ditemukan individual dengan hasil yang diinginkan

sumber : http://id.wikipedia.org/

Selengkapnya

Pengertian, Kelebihan dan Kekurangan Jaringan Syaraf Tiruan (JST)

• Pengertian

JST adalah Suatu sistem pemrosesan informasi yang mencoba meniru kinerja otak manusia. JST merupakan  generalisasi model matematis dengan asumsi:

* Pemrosesan informasi terjadi pada elemen sederhana (=neuron)

* Sinyal dikirimkan diantara neuron-neuron melalui penghubung (=dendrit dan akson)

* Penghubung antar elemen memiliki bobot yang akan menambah atau mengurangi sinyal

* Untuk menentukan output, setiap neuron memiliki fungsi aktivasi (biasanya non linier) yang dikenakan pada semua input

* Besar output akan dibandingkan dengan threshold

• Baik tidaknya suatu model JST ditentukan oleh:

1. Pola antar neuron (arsitekur jaringan)
2. Metode untuk menentukan dan mengubah bobot (disebut metode learning)
3. Fungsi aktivasi
4. JST disebut juga: brain metaphor, computational neuroscience, parallel distributed processing

• Kelebihan

1. Mampu mengakuisisi pengetahuan walau tidak ada kepastian
2. Mampu melakukan generalisasi dan ekstraksi dari suatu pola data tertentu
3. JST dapat menciptakan suatu pola pengetahuan melalui pengaturan diri atau kemampuan belajar (self organizing)
4. Memiliki fault tolerance, gangguan dapat dianggap sebagai noise saja
5. Kemampuan perhitungan secara paralel sehingga proses lebih singkat

• JST mampu

1. Klasifikasi: memilih suatu input data ke dalam kategori tertentu yang sudah ditetapkan
2. Asosiasi: menggambarkan suatu obyek secara keseluruhan hanya dengan bagian dari obyek lain
3. Self organizing: kemampuan mengolah data-data input tanpa harus mempunyai target
4. Optimasi: menemukan suatu jawaban terbaik sehingga mampu meminimalisasi fungsi biaya

• Kelemahan

1. Kurang mampu untuk melakukan operasi operasi numerik dengan presisi tinggi
2. Kurang mampu melakukan operasi algoritma aritmatik, operasi logika dan simbolis
3. Lamanya proses training yang mungkin terjadi dalam waktu yang sangat lama untuk jumlah data yang besar

sumber : http://splashurl.com/lvarxva

Selengkapnya

Decision Support System

PENDAHULUAN

Decision Support Systems (DSS) atau system pendukung keputusan adalah serangkaian kelas tertentu dari system informasi terkomputerisasi yang mendukung kegiatan pengambilan keputusan bisnis dan organisasi. Suatu DSS yang dirancang dengan benar adalah suatu system berbasis perangkat lunak interaktif yang dimaksudkan untuk membantu para pengambil keputusan mengkompilasi informasi yang berguna dari data mentah, dokumen, pengetahuan pribadi, dan/atau model bisnis untuk mengidentifikasikan dan memecahkan berbagai masalah dan mengambil keputusan.

System pendukung keputusan atau DSS digunakan untuk mengumpulkan data, menganalisa dan membentuk data yang dikoleksi, dan mengambil keputusan yang benar atau membangun strategi dari analisis, tidak pengaruh terhadap computer, basis data atau manusia penggunanya.

Informasi yang biasanya dikumpulkan dengan menggunakan aplikasi pendukung keputusan akan melakukan:

• Mengakses semua asset informasi terkini, termasuk data legasi dan relasional, kompulan data, gudang data, dan kumpulan jumlah besar data.
• Angka-angka penjualan antara satu periode dengan periode lainnya.
• Angka-angka pendapatan yang diperkirakan, berdasarkan pada asumsi penjualan produk baru.
• Konsekuensi pilihan-pilihan pengambilan keputusan yang berbeda, dengan pengalaman dalam suatu konteks yang dirinci ulang.

Sudah begitu banyak perusahaan di berbagai industri yang bergantung pada perangkat, teknik dan pemodelan pendukung keputusan, untuk membantu mereka menganalisa dan memecahkan beragam pertanyaan bisnis sehari-hari. System pendukung keputusan bersifat tergantung oleh data, sebagaimana keseluruhan proses mengambil seluruh kumpulan data yang tersedia, untuk dianalisa.

Perangkat-perangkat, proses, dan metodologi pelaporan berbasis Business Intelligence adalah contoh penggunaan penting dalam system pendukung keputusan manapun, dan memberikan analisis data, pelaporan serta monitoring data yang sangat terpercaya kepada pengguna.

Persyaratan yang biasa dimiliki dalam penerapan Sistem Pendukung Keputusan Tingkat Tinggi:

• Pengumpulan data dari beragam sumber (data penjualan, data inventori, data supplier, data riset pasar, dsb).
• Penformatan dan penggunaan data.
• Lokasi database yang sesuai serta pembangunan format untuk pembuatan laporan dan analisa berbasis pengambilan keputusan.
• Perangkat dan aplikasi yang serba bisa dan mampu memberikan pelaporan, monitoring dan analisa terhadap data.

DSS Design Approach (Structured)

BERBAGAI TIPE SISTEM PENDUKUNG KEPUTUSAN (DSS):

Penting untuk dicatat bahwa DSS tidak memiliki suatu model tertentu yang diterima atau dipakai di seluruh dunia. Banyak teori DSS yang diimplementasikan, sehingga terdapat banyak cara untuk mengklasifikasikan DSS.

1. DSS model pasif adalah model DSS yang hanya mengumpulkan data dan mengorganisirnya dengan efektif, biasanya tidak memberikan suatu keputusan yang khusus, dan hanya menampilkan datanya. Suatu DSS aktif pada kenyataannya benar-benar memproses data dan secara eksplisit menunjukkan beragam solusi berdasarkan pada data tersebut.
2. DSS model aktif sebaliknya memproses data dan secara eksplisit menunjukkan solusi berdasarkan pada data yang diperoleh, walau harus diingat bahwa intervensi manusia terhadap data tidak dapat dipungkiri lagi. Misalnya, data yang kotor atau data sampah, pasti akan menghasilkan keluaran yang kotor juga (garbage in garbage out).
3. Suatu DSS bersifat kooperatif jika data dikumpulkan, dianalisa dan lalu diberikan kepada manusia yang menolong system untuk merevisi atau memperbaikinya.
4. Model Driven DSS adalah tipe DSS dimana para pengambil keputusan menggunakan simulasi statistik atau model-model keuangan untuk menghasilkan suatu solusi atau strategi tanpa harus intensif mengumpulkan data.
5. Communication Driven DSS adalah suatu tipe DSS yang banyak digabungkan dengan metode atua aplikasi lain, untuk menghasilkan serangkaian keputusan, solusi atau strategi.
6. Data Driven DSS menekankan pada pengumpulan data yang kemudian dimanipulasi agar sesuai dengan kebutuhan pengambil keputusan, dapat berupa data internal atua eksternal dan memiliki beragam format. Sangat penting bahwa data dikumpulkan serta digolongkan secara sekuensial, contohnya data penjualan harian, anggaran operasional dari satu periode ke periode lainnya, inventori pada tahun sebelumnya, dsb.
7. Document Driven DSS menggunakan beragam dokumen dalam bermacam bentuk seperti dokumen teks, excel, dan rekaman basis data, untuk menghasilkan keputusan serta strategi dari manipulasi data.
8. Knowledge Driven DSS adalah tipe DSS yang menggunakan aturan-aturan tertentu yang disimpan dalam komputer, yang digunakan manusia untuk menentukan apakah keputusan harus diambil. Misalnya, batasan berhenti pada perdagangan bursa adalah suatu model knowledge driven DSS.

IMPLEMENTASI DSS DI DUNIA KERJA

Konsep implementasi DSS di dunia kerja yang kali ini diambil oleh penulis adalah penerapan Business Intelligence dalam pengumpulan data serta presentasi data dalam suatu bentuk Dashboard. Bidang industri perusahaan yang dijadikan contoh adalah maskapai penerbangan atau airline industry.

Teknologi aplikasi yang digunakan adalah system aplikasi berbasis web dan dapat diakses pada suatu URL tertentu dari PC/laptop/tablet milik pengguna dengan kapasitas minimum, kapan saja dan dimana saja pengguna berada.

Metodologi, proses serta perangkat pelaporan Business Intelligence atau BI adalah komponen kunci yang memberikan analisa data, pelaporan dan monitoring yang kaya kepada pengguna sistem.

Secara garis besar, proses yang terjadi kurang lebih adalah seperti digambarkan dalam diagram dibawah ini, dimana;

• System akan mengumpulkan semua data baik data master dan juga data transaksi dari setiap aplikasi yang digunakan semua departemen dalam perusahaan, untuk kemudian dilakukan analisis What-if tergantung dari laporan apa yang diinginkan oleh pihak manajemen.
• Hasil analisis tersebut akan menentukan keputusan apa yang harus diambil oleh manajemen.
• Terlihat dibawah, berbagai departemen yang mengaksesnya antara lain Personalia (Human Resource/HRD), Keuangan (Accounting), Produksi/Operasional, Pemasaran/Marketing, Distribusi/Pengiriman, serta divisi lain, yang semuanya berada dibawah manajemen perusahaan.

Alur DSS untuk Sistem Informasi Akuntansi

Struktur Alur Data Dalam Aplikasi Business Intelligence

Pelaporan yang ingin dilihat oleh tingkat manager dalam manajemen perusahaan tersebut akan tampil dalam aplikasi Dashboard yang interaktif dan dapat dikustomisasi sesuai keinginan user/ pengguna aplikasi. Contoh dashboard tersebut adalah seperti dibawah ini.

Sebelumnya, perlu diingat bahwa aplikasi dashboard juga memiliki beragam kategori per divisi, dimana setiap divisi/departemen dalam suatu perusahaan biasanya menggunakan jenis data yang berbeda, serta mengakses data dalam cara yang berbeda pula. Laporan dan hasil analisis yang diperlukan juga otomatis berbeda, begitu pula bentuk pelaporan yang diperlukan tiap-tiap divisi tersebut, sebagaimana digambarkan dalam diagram dibawah.

Pembagian Kategori Dashboard Berdasarkan Penitikberatan Pengambilan Informasi Perusahaan

Manfaat Penggunaan Aplikasi Terapan DSS/Decision Support System dalam Bentuk Business Intelligence Dashboard;

1. Mempermudah dilakukannya analisa terhadap data master dan juga data transaksi perusahaan untuk kemudian menghasilkan berbagai laporan yang akan mendukung proses pengambilan keputusan oleh pihak manajemen perusahaan.
2. Memberikan tampilan yang lebih enak dilihat dan lebih professional yang disesuaikan dengan kultur serta bidang bisnis perusahaan yang menggunakan aplikasi ini.
3. Memberikan informasi terkini terhadap pergerakan angka-angka dalam perusahaan, atau bahkan bersifat real-time. Contohnya dalam hal ini; adalah pergerakan angka penjualan tiket pesawat setiap harinya, atau pergerakan angka kedatangan dan keberangkatan pesawat dari seluruh bandara di Indonesia (hasil kegiatan operasional perusahaan).

Contoh implementasi aplikasi Business Intelligence – Dashboard sebagai ajuan system pendukung keputusan/decision support system yang hendak diimplementasikan dalam perusahaan:

Prototipe Tampilan Dashboard untuk Pengaplikasian Business Intelligence bagi Sistem Pendukung Keputusan, Dibuat Menggunakan Tool Xcelcius Disambungkan ke Warehouse SAP-Business Intelligence

Elemen-elemen yang ditampilkan:

1. Grafik keseluruhan angka penjualan tiket yang dihasilkan tim Sales setiap harinya dimana manajemen dapat meilhat pergerakan terakhir yang terjadi satu jam sebelum pengaksesan dashboard.
2. Grafik keseluruhan angka penjualan tiket yang dihasilkan pada satu hari sebelum pengaksesan dashboard (H-1)
3. Grafik keseluruhan angka penjualan secara mingguan (pergerakan mingguan).
4. Grafik keseluruhan angka penjualan secara bulanan (pergerakan bulanan).
5. Grafik keseluruhan angka penjualan secara tahunan (pergerakan tahunan).
6. Grafik penjualan per staff sales untuk mengukur kinerja masing-masing personel.
7. Grafik pembelian dari setiap klien yang kategorinya adalah:
1. Pembelian per klien Travel Agent
2. Pembelian per perusahaan
3. Pembelian per wilayah kota penjualan di Indonesia; semua kota yang memiliki bandara (missal Jakarta, Bandung, Surabaya, dan lainnya).
8. sumber : http://splashurl.com/kmzrwhq

Selengkapnya

Sistem Pakar

Secara umum, 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.

Ciri-Ciri Sistem Pakar

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

• Memiliki informasi yang handal.

• Mudah dimodifikasi.

• Dapat digunakan dalam berbagai jenis komputer.

• Memiliki kemampuan untuk belajar beradaptasi.

Keuntungan Sistem Pakar

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

1. Memungkinkan orang awam bisa mengerjakan pekerjaan para ahli.

2. Bisa melakukan proses secara berulang secara otomatis.

3. Menyimpan pengetahuan dan keahlian para pakar.

4. Meningkatkan output dan produktivitas.

5. Meningkatkan kualitas.

6. Mampu mengambil dan melestarikan keahlian para pakar (terutama yang termasuk keahlian langka).

7. Mampu beroperasi dalam lingkungan yang berbahaya.

8. Memiliki kemampuan untuk mengakses pengetahuan.

9. Memiliki reabilitas.

10. Meningkatkan kapabilitas sistem komputer.

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

12. Sebagai media pelengkap dalam pelatihan.

13. Meningkatkan kapabilitas dalam penyelesaian masalah.

14. Menghemat waktu dalam pengambilan keputusan

Kelemahan Sistem Pakar

Di samping memiliki beberapa keuntungan, sistem pakar juga memiliki beberapa kelemahan, antara lain :

1. Biaya yang diperlukan untuk membuat dan memeliharanya sangat mahal.

2. Sulit dikembangkan. Hal ini tentu saja erat kaitannya dengan ketersediaan pakar di bidangnya.

3. Sistem Pakar tidak 100% bernilai benar.

Alasan Pengembangan Sistem Pakar, sistem pakar sendiri dikembangkan lebih lanjut dengan alasan :

• Dapat menyediakan kepakaran setiap waktu dan di berbagai lokasi.

• Secara otomatis mengerjakan tugas-tugas rutin yang membutuhkan seorang pakar.

• Seorang pakar akan pensiun atau pergi.

• Seorang pakar adalah mahal.

• Kepakaran dibutuhkan juga pada lingkungan yang tidak bersahabat.

Modul Penyusun Sistem Pakar

Menurut Staugaard (1987) suatu sistem pakar disusun oleh tiga modul utama yaitu :

1. Modul Penerimaan Pengetahuan (Knowledge Acquisition Mode) Sistem berada pada modul ini, pada saat ia menerima pengetahuan dari pakar. Proses mengumpulkan pengetahuan-pengetahuan yang akan digunakan untuk pengembangan sistem, dilakukan dengan bantuan knowledge engineer. Peran knowledge engineer adalah sebagai penghubung antara suatu sistem pakar dengan pakarnya.

2. Modul Konsultasi (Consultation Mode)

Pada saat sistem berada pada posisi memberikan jawaban atas permasalahan yang diajukan oleh user, sistem pakar berada dalam modul konsultasi. Pada modul ini, user berinteraksi dengan sistem dengan menjawab pertanyaan-pertanyaan yang diajukan oleh sistem.

3. Modul Penjelasan (Explanation Mode)

Modul ini menjelaskan proses pengambilan keputusan oleh system (bagaimana suatu keputusan dapat diperoleh).

Struktur Sistem Pakar, komponen utama pada struktur sistem pakar menurut Hu et al (1987) meliputi:

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. w:st=”on”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.

sumber : http://splashurl.com/lbp68n4

Selengkapnya