Metode Sistem pakar
Sistem pakar adalah suatu program komputer yang dirancang untuk
mengambil keputusan seperti keputusan yang diambil oleh seorang atau
beberapa orang pakar. Menurut Marimin (1992), sistem pakar adalah sistem
perangkat lunak komputer yang menggunakan ilmu, fakta, dan teknik
berpikir dalam pengambilan keputusan untuk menyelesaikan masalah-masalah
yang biasanya hanya dapat diselesaikan oleh tenaga ahli dalam bidang
yang bersangkutan.
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.
Modul Penyusun Sistem Pakar
Suatu sistem pakar disusun oleh tiga modul utama (Staugaard, 1987), 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 sistem (bagaimana suatu keputusan dapat diperoleh).
Struktur Sistem Pakar
Komponen utama pada struktur sistem pakar (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. Menurut Gondran (1986) dalam Utami (2002),
basis pengetahuan merupakan representasi dari seorang pakar, yang
kemudian dapat dimasukkan kedalam bahasa pemrograman khusus untuk
kecerdasan buatan (misalnya PROLOG atau LISP) atau shell sistem pakar
(misalnya EXSYS, PC-PLUS, CRYSTAL, dsb.)
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 tehnik pengendalian tersebut.
3. Basis Data (Database)
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 sistem. Hubungan antar komponen penyusun struktur sistem pakar
dapat dilihat pada Gambar di bawah ini :
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 :
1. Rule-Based Knowledge
2. Pengetahuan direpresentasikan dalam suatu bentuk fakta (facts) dan
aturan (rules). Bentuk representasi ini terdiri atas premise dan
kesimpulan
3. Frame-Based Knowledge
Pengetahuan direpresentasikan dalam suatu bentuk hirarki atau jaringan frame
4. Object-Based Knowledge
Pengetahuan direpresentasikan sebagai jaringan dari obyek-obyek. Obyek
adalah elemen data yang terdiri dari data dan metoda (proses)
5. Case-Base Reasoning
Pengetahuan direpresentasikan dalam bentuk kesimpulan kasus (cases)
(Untuk mengetahui lebih jelasnya, Anda dapat membaca buku :
• Management Information System (J.A. O'Brien)
McGraw Hill. Arizona.USA.
• Decision Support and Expert Systems; Management Support Systems (E. Turban)
Prentice Hall. New Jersey.USA.
• Buku-buku lain yang membahas tentang Sistem Pakar)
Sistem pakar adalah sistem yang mempekerjakan pengetahuan manusia yang
ditangkap dalam komputer untuk memecahkan masalah yang biasanya
membutuhkan keahlian manusia. Adapun komponen-kompenen yang mungkin ada
dalam sebuah sistem pakar adalah:
1. Subsistem akuisisi pengetahuan
2. Basis pengetahuan
Basis pengetahuan berisi pengetahuan penting untuk pengertian, formulasi
dan pemecahan masalah. Basis pengetahuan memasukkan dua elemen (1)
fakta (facts) seperti situasi masalah dan teori dari area masalah dan
(2) heuristic khusus atau rule-rule yang menghubungkan penggunaan
pengetahuan untuk pemecahan masalah spesifik dalam sebuah domain khusus.
Informasi dalam basis pengetahuan tergabung dalam basis pengetahuan
tergabung dalam sebuah program komputer oleh proses yang disebut dengan
representasi pengetahuan.
3. Mesin inferensi
4. Blackboard (Wilayah kerja)
5. User interface
Sistem pakar berisi bahasa prosesor untuk komunikasi yang bersahabat,
berorientasi pada masalah antara pengguna dan komputer. Komunikasi ini
dapat secara baik dibawa oleh natural language, dan dalam beberapa kasus
user interface ditambahkan dengan menu-menu dan grafik.
6. Subsistem penjelasan
7. Sistem penyaringan pengetahuan
Sedangkan konsep dasar dalam sistem pakar menurut Turban, 1993 adalah:
1. Keahlian (Expertise)
2. Pakar (Expert)
3. Transfer keahlian
4. Inferensi
5. Rule
6. Kemampuan memberikan penjelasanHYPERLINK "http://kmp.htm/" \t "right"
Akuisisi pengetahuan adalah akumulasi, transfer dan transformasi dari
keahlian pemecahan masalah dari beberapa sumber pengetahuan ke program
komputer untuk konstruksi atau perluasan basis pengetahuan.
Sumber-sumber pengetahuan potensial termasuk pakar manusia, textbook,
database, laporan penelitian khusus, dan gambar-gambar.
Pengakuisisian pengetahuan dari pakar adalah tugas kompleks yang sering
membuat kemacetan dalam konstruksi sistem pakar sehingga dibutuhkan
seorang knowledge engineer untuk berinteraksi dengan satu atau lebih
pakar dalam membangun basis pengetahuan.
Metode Regresi linier
Regresi linier adalah metode statistika yang digunakan untuk membentuk model
hubungan antara variabel terikat (dependen; respon; Y) dengan satu atau lebih variabel bebas
(independen, prediktor, X). Apabila banyaknya variabel bebas hanya ada satu, disebut sebagai
regresi linier sederhana, sedangkan apabila terdapat lebih dari 1 variabel bebas, disebut sebagai
regresi linier berganda.
Analisis regresi setidak-tidaknya memiliki 3 kegunaan, yaitu untuk tujuan deskripsi dari
fenomena data atau kasus yang sedang diteliti, untuk tujuan kontrol, serta untuk tujuan prediksi.
Regresi mampu mendeskripsikan fenomena data melalui terbentuknya suatu model hubungan yang
bersifatnya numerik. Regresi juga dapat digunakan untuk melakukan pengendalian (kontrol)
terhadap suatu kasus atau hal-hal yang sedang diamati melalui penggunaan model regresi yang
diperoleh. Selain itu, model regresi juga dapat dimanfaatkan untuk melakukan prediksi untuk
variabel terikat. Namun yang perlu diingat, prediksi di dalam konsep regresi hanya boleh dilakukan
di dalam rentang data dari variabel-variabel bebas yang digunakan untuk membentuk model regresi
tersebut. Misal, suatu model regresi diperoleh dengan mempergunakan data variabel bebas yang
memiliki rentang antara 5 s.d. 25, maka prediksi hanya boleh dilakukan bila suatu nilai yang
digunakan sebagai input untuk variabel X berada di dalam rentang tersebut. Konsep ini disebut
sebagai interpolasi.
Data untuk variabel independen X pada regresi linier bisa merupakan data pengamatan yang
tidak ditetapkan sebelumnya oleh peneliti (obsevational data) maupun data yang telah ditetapkan
(dikontrol) oleh peneliti sebelumnya (experimental or fixed data). Perbedaannya adalah bahwa
dengan menggunakan fixed data, informasi yang diperoleh lebih kuat dalam menjelaskan
hubungan sebab akibat antara variabel X dan variabel Y. Sedangkan, pada observational data,
informasi yang diperoleh belum tentu merupakan hubungan sebab-akibat. Untuk fixed data, peneliti
sebelumnya telah memiliki beberapa nilai variabel X yang ingin diteliti. Sedangkan, pada
observational data, variabel X yang diamati bisa berapa saja, tergantung keadaan di lapangan.
Biasanya, fixed data diperoleh dari percobaan laboratorium, dan observational data diperoleh
dengan menggunakan kuesioner.
Di dalam suatu model regresi kita akan menemukan koefisien-koefisien. Koefisien pada
model regresi sebenarnya adalah nilai duga parameter di dalam model regresi untuk kondisi yang
sebenarnya (true condition), sama halnya dengan statistik mean (rata-rata) pada konsep statistika
dasar. Hanya saja, koefisien-koefisien untuk model regresi merupakan suatu nilai rata-rata yang
berpeluang terjadi pada variabel Y (variabel terikat) bila suatu nilai X (variabel bebas) diberikan.
Koefisien regresi dapat dibedakan menjadi 2 macam, yaitu:
1. Intersep (intercept)
Intersep, definisi secara metematis adalah suatu titik perpotongan antara suatu garis dengan
sumbu Y pada diagram/sumbu kartesius saat nilai X = 0. Sedangkan definisi secara statistika
adalah nilai rata-rata pada variabel Y apabila nilai pada variabel X bernilai 0. Dengan kata
lain, apabila X tidak memberikan kontribusi, maka secara rata-rata, variabel Y akan bernilai
sebesar intersep. Perlu diingat, intersep hanyalah suatu konstanta yang memungkinkan
munculnya koefisien lain di dalam model regresi. Intersep tidak selalu dapat atau perlu
untuk diinterpretasikan. Apabila data pengamatan pada variabel X tidak mencakup nilai 0
atau mendekati 0, maka intersep tidak memiliki makna yang berarti, sehingga tidak perlu
diinterpretasikan.
1
Copyright © 2008 Deny Kurniawan
http://ineddeni.wordpress.com
R Development Core Team (2008). R: A language and environment for
statistical computing. R Foundation for Statistical Computing,
Vienna, Austria. ISBN 3-900051-07-0, URL http://www.R-project.org2. Slope
Secara matematis, slope merupakan ukuran kemiringan dari suatu garis. Slope adalah
koefisien regresi untuk variabel X (variabel bebas). Dalam konsep statistika, slope
merupakan suatu nilai yang menunjukkan seberapa besar kontribusi (sumbangan) yang
diberikan suatu variabel X terhadap variabel Y. Nilai slope dapat pula
diartikan sebagai ratarata pertambahan (atau pengurangan) yang terjadi
pada variabel Y untuk setiap peningkatan
satu satuan variabel X.
Contoh model regresi:
Y = 9.4 + 0.7*X +
Angka 9.4 merupakan intersep, 0.7 merupakan slope, sedangkan merupakan error.
Error bukanlah berarti sesuatu yang rusak, hancur atau kacau. Pengertian error di dalam konsep
statistika berbeda dengan pengertian error yang selama ini dipakai di dalam kehidupan sehari-hari.
Metode B/C Ratio
Analisis manfaat-biaya merupakan analisis yang digunakan untuk
mengetahui besarankeuntungan/kerugian serta kelayakan suatu proyek.
Dalam perhitungannya, analisis inimemperhitungkan biaya serta manfaat
yang akan diperoleh dari pelaksanaan suatu program.Dalam analisisbenefit
dancos t perhitungan manfaat serta biaya ini merupakan satu
kesatuanyang tidak dapat dipisahkan.
Analisis ini mempunyai banyak bidang penerapan. Salah satu bidang
penerapan yang umummenggunakan rasio ini adalah dalam bidang investasi.
Sesuai dengan dengan maknatekstualnya yaitu benefit cost (manfaat-biaya)
maka analisis ini mempunyai penekanan dalamperhitungan tingkat
keuntungan/kerugian suatu program atau suatu rencana
denganmempertimbangkan biaya yang akan dikeluarkan serta manfaat yang
akan dicapai. Penerapananalisis ini banyak digunakan oleh para investor
dalam upaya mengembangkan bisnisnya.Terkait dengan hal ini maka analisis
manfaat dan biaya dalam pengembangan investasi hanyadidasarkan pada
rasio tingkat keuntungan dan biaya yang akan dikeluarkan atau dalam kata
lainpenekanan yang digunakan adalah pada rasio finansial atau keuangan.
Dibandingkan penerapannya dalam bidang investasi, penerapan Benefit Cost
Ratio (BCR) telahbanyak mengalami perkembangan. Salah satu perkembangan
analisis BCR antara lain yaitupenerapannya dalam bidang pengembangan
ekonomi daerah. Dalam bidang pengembanganekonomi daerah, analisis ini
umum digunakan pemerintah daerah untuk menentukan kelayakanpengembangan
suatu proyek.
Relatif berbeda dengan penerapan BCR di bidang investasi, penerapan BCR
dalam prosespemilihan suatu proyek terkait upaya pengembangan ekonomi
daerah relatif lebih sulit. Hal inidikarenakan aplikasi BCR dalam sektor
publik harus mempertimbangkan beberapa aspek terkait
social benefit(social welfare function) dan lingkungan serta tak kalah penting adalah faktor
efisiensi. Faktor efisiensi mutlak menjadi perhatian menimbang terbatasnya dana dan
kemampuan pemerintah daerah sendiri.
Secara terinci aspek-aspek tersebut juga mempertimbangkan dampak penerapan suatu program
dalam masyarakat baik secara langsung (direct impact) maupun tidak langsung (indirect impact),
faktor eksternalitas, ketidakpastian (uncertainty), risiko (risk) serta
shadow price. Terkaitperhitungan risiko dan ketidakpastian, hal ini
dapat diatasi dengan menggunakan asuransi danmelakukan lindung nilai
(hedging).
Efisiensi ekonomi merupakan kontribusi murni suatu program dalam
peningkatan kesejahteraanmasyarakat. Sehingga yang menjadi perhatian
utama dalam penerapan BCR dalam suatu proyekpemerintah yang berkaitan
dengan sektor publik adalah redistribusi sumber daya.