Materi 3 Sistem Pakar Berbasis Aturan Rulebased Expert Systems Eko Prasetyo Teknik Informatika Univ Pembangunan Nasional Veteran Jawa Timur 2011 Pengetahuan ID: 669190
Download Presentation The PPT/PDF document "KECERDASAN BUATAN (Artificial Intelligen..." is the property of its rightful owner. Permission is granted to download and print the materials on this web site for personal, non-commercial use only, and to display it on your personal computer provided you do not modify the materials and that you retain all copyright notices contained in the materials. By downloading content from our website, you accept the terms of this agreement.
Slide1
KECERDASAN BUATAN(Artificial Intelligence)Materi 3
Sistem Pakar Berbasis Aturan(Rule-based Expert Systems)
Eko PrasetyoTeknik InformatikaUniv. Pembangunan Nasional Veteran Jawa Timur2011Slide2
Pengetahuan2
Pengetahun (knowledge) ?Adalah teori atau
praktek pemahaman suatu subyek atau domain.Kumpulan mengenai apa yang diketahui.Orang yang berada diposisi tersebut -> PAKAR.Misal: dokter, teknisi komputer, petani, dsb.Daerah pada domain tersebut terbatas, mis: pakar (dokter) penyakit kulit hanya memahami
secara
penuh
pada
domain
penyakit
kulit
(
tidak
untuk
penyakit
lain),
petani
udang
hanya
mengetahui
penyakit
udang
(
tidak
untuk
ikan
lain).
Secara
umum
,
pakar
adalah
orang
yang
terampil
dalam
melakukan
sesuatu
(
pemikiran
dan
tindakan
) yang
tidak
dapat
dilakukan
orang
lain.Slide3
Aturan dalam pengetahuan
3Misal, domain masalah
adalah “menyeberang jalan raya”Aturan:IF the ‘traffic light’ is greenTHEN the action is goIF the ‘traffic light’ is redTHEN the action is stopPernyataan tersebut merepresentasikan bentuk IF-THEN yang disebut “aturan produksi” atau “aturan” saja.IF-THEN umum digunakan dalam representasi pengetahuan yang berhubungan dengan
fakta
atau
informasi
dalam bagian IF untuk beberapa aksi dalam bagian THEN. Aturan memberikan deskripsi bagaimana menyelesaikan masalah.Aturan terdiri dari dua bagian: bagian IF, disebut antecedent (premise atau condition) atau fakta , dan bagian THEN yang disebut consequent (conclusion atau action) atau kesimpulan.Sinktaks dasar:IF <antecedent>THEN <consequent>
Umumnya
,
sebuah
aturan
dapat
mempunyai
gabungan
beberapa
antecedent
dengan
kata
kunci
AND
(
konjungsi
),
OR
(
disjungsi
),
atau
kombinasi
keduanya
.
IF <antecedent 1>
AND <antecedent 2>
.
.
.
AND <antecedent n>
THEN <consequent>
IF <antecedent 1>
OR <antecedent 2>
.
.
.
OR <antecedent n>
THEN <consequent>Slide4
Aturan dalam pengetahuan (2)
4Fakta aturan
disandingkan dengan dua bagian: obyek (linguistic object) dan nilainya.Mis. Obyek linguistik seperti “traffic light” bisa mempunyai nilai “red” atau “green”Obyek dan nilainya dihubungkan dengan oprator, spt: is, are, is not, are not untuk memberikan nilai simbolik pada obyek
linguistik
.
Tetapi
sistem
pakar biasanya menggunakan operator matematika untuk mendefinisikan obyek sebagai numerik dan memberikan nilai numerik padanya.Mis.:IF ‘age of the customer’ < 18AND ‘cash withdrawal’ > 1000THEN ‘signature of the parent’ is requiredKesimpulan (consequent) –sama dengan fakta- mengombinasikan obyek dan nilai yang dihubungkan oleh operator.Mis. : Nilai traffic ligh adalah green, aturan pertama nilai
obyek
linguistik
“action”
dengan
“go”
Mis
.:
IF ‘taxable income’ > 16283
THEN ‘Medicare levy’ = ‘taxable income’ * 1.5 / 100Slide5
Aturan dalam pengetahuan (2)
5Aturan dapat
merepresentasikan relations (hubungan), recommendations (saran), directives (arahan), strategies (strategi) dan heuristics (heuristik) [Durkin, 1994].RelationIF the ‘fuel tank’ is emptyTHEN the car is deadRecommendationIF the season is autumn (musim gugur)AND the sky is cloudyAND the forecast is drizzle (gerimis)THEN the advice is ‘take an umbrella’DirectiveIF the car is deadAND the ‘fuel tank’ is emptyTHEN the action is ‘refuel the car’
Strategy
IF the car is dead
THEN the action is ‘check the fuel tank’;
step1 is complete
IF step1 is complete
AND the ‘fuel tank’ is full
THEN the action is ‘check the battery’;step2 is complete
Heuristic
IF the spill is liquid
AND the ‘spill pH’ < 6
AND the ‘spill smell’ is vinegar
THEN the ‘spill material’ is ‘acetic acid’Slide6
Pemain utama sistem
pakar6Sistem
Pakar, adalah sebuah program komputer yang dapat bekerja pada level pakar manusia dalam daerah masalah yang sempit.Tipe: rule-based, case-based, dsb.Expert System Shell adalah sistem pakar yang tidak mengandung pengetahuan (komponen yang lain tetap ada).Ada 5 anggota tim pengembangan
sistem
pakar
: the domain expert, the knowledge engineer, the programmer, the project
manager and the end-user
.Slide7
Domain Expert7
Domain expert adalah orang yang bisa mengetahui
dan terampil dalam menyelesaikan masalah pada daerah atau domain spesifik.Sangat pakar dalam domain tersebut, mis: dokter, teknisi komputer, petani, dsb.Kepakarannya akan di-capture dalam sistem pakar.Pakar harus bisa mengkomunikasikan
pengetahuannya
,
berpartisipasi
dalam
pembangunan sistem pakar.Pemain yang paling penting dalam pembangunan sistem pakar.Domain expertSlide8
Knowledge Engineer8
Knowledge engineer adalah orang yang mempunyai
kemampuan perancangan, pembangunan dan pengujian sistem pakar.Bertanggung jawab untuk pemilihan pekerjaan yang tepat bagi sistem pakar.Mewawancarai domain expert untuk mencari bagaimana masalah tertentu diselesaikan.Selama interaksi wawancara, memunculkan metode penalaran
pakar
dalam
menanani
fakta dan aturan dan memutuskan bagaimana merepresentasikannya dalam sistem pakar.Bertangung jawab dalam pengujian, revisi, dan integrasi sistem pakar dalam workplace.Menyelesaikan proyek dari awal hingga akhir.Knowledge engineerSlide9
Programmer, Project Manager, End-user
9Programmer, orang yang bertanggung jawab dalam
mengimplementasikan sistem pakar dalam koding program.Harus memahami bahasa pemrograman AI, seperti: LISP, Prolog, OPS5. Juga bahasa pemrograman konvensional, spt: vb, delphi, java, dsb.Saat ini, sistem pakar (dalam skala penelitian) juga dikembangkan dengan
bahasa-bahasa
konvensional
yang
ada
.
Project Manager, pimpinan tim pengembangan sistem, bertanggung jawan untuk menjaga proyek tetap dalam track-nya.Berinteraksi dengan pakar, knowledge engineer, programmer dan end-user.End-user, orang yang menggunakan sistem pakar ketika sistem sudah selesai dikembangkan.User bisa jadi adalah pasien atau perawat dalam sebuah
klinik
kesehatan
milik
dokter
.
User
bisa
jadi
adalah
analis
kimia
dalam
menentukan
struktur
cairan
molekul
(
Feigenbaum
et al., 1971),
Dokter
yunior
dalam
diagnosis
penyakit
infeksi
darah
(
Shortliffe
, 1976)
Dsb
.Slide10
Rule-based Expert System
10Awal 1970, Newell dan Simon mengusulkan model sistem
pakar, dasar dari rule-based expert systems.Didasarkan pada ide manusia dalam menyelesaikan masalah dengan menerapkan pengetahuannya (dinyatakan sebagai aturan produksi) pada masalah yang diberikan dengan informasi masalah spesifik.Aturan produksi disimpan dalam memori
jangka
panjang
,
sedangkan
informasi masalah spesifik disimpan dalam memori jangka pendek.Ada 5 komponen inti dalam rule-based expert systems:the knowledge base, the database, the inference engine, the explanation facilities, and the user interfaceProduction system modelBasic structure of a rule-based expert systemSlide11
Struktur lengkap rule-based expert system
11External interface digunakan untuk
bekerja dengan data eksternal dan program ditulis dalam bahasa pemrograman konvensional seperti C, Pascal, dan Basic.Developer Interface termasuk knowledge base editor, debugging aids, dan fasilitas input/output.Debugging aids biasanya terdiri dari fasilitas tracing dan pemecahan paket.Tracing memberikan daftar semua aturan yang ditembak selama
program
dieksekusi
,
dan
pemecahan
paket memungkinkan untuk berhentinya sistem pakar dalam mengevaluasi setiap aturan.Slide12
Karakteristik Sistem Pakar
12SP dibangun untuk
bekerja pada level pakar manusia dalam domain yang sempit dan khusus.Karakteristik paling penting dalam SP adalah kualitas kinerja yang tinggi.Tidak peduli seberapa cepat sistem menyelesaikan masalah, user tidak akan puas jika hasilnya salah.Disisi
lain,
kecepatan
mencapai
solusi
juga sangat penting.Meskipun keputusan/diagnosis sangat akurat mungkin tidak berguna bagi user jika terlalu lama diterapkan.Misal, dalam kondisi darurat ketika pasien bisa meninggal atau reaktor nuklir mau meledak, pakar akan memotong teknik penalarannya untuk mendapatkan solusi
terdekat
.
Fitur
unik
SP
adalah
kemampuan
menjelaskan
(
explanation capability
).
Membuat
sistem
pakar
dapat
meninjau
penalarannya
dan
menjelaskan
keputusan
.
Penjelasan
dalan
SP
dalam
skop
pelacakan
atran
yang
ditembakkan
selama
sesi
problem-solving.
Bisakah
sistem
pakar
melakukan
kesalahan
(
dalam
penalaran
) ?
Pakar
paling
pandaipun
bisa
berbuat
salah
,
maka
SP
juga
bisa
salah
.
Tetapi
kita
masih
mempercayai
pakar
,
walaupun
kita
mengenali
bahwa
keputusannya
kadang-kadang
salah
.Slide13
13Slide14
Teknik Inferensi
14Dalam rule-based expert system, pengetahuan domain direpresentasikan
oleh sejumlah aturan produksi IF-THEN, sedangkan data direpresentasikan oleh sejumlah fakta mengenai situasi saat itu.Mesin inferensi membandingkan setiap aturan yang tersimpan dalam basis pengetahuan dengan fakta yang berada dalam database.Ketika bagian IF (kondisi)
aturan
cocok
dengan
fakta, aturan akan ditembak dan bagian THEN (aksi) diekskusi.Aturan yang ditembak akan mengubah sejumlah fakta dengan menambahkan fakta baru.Pencocokan bagian aturan IF pada fakta menghasilkan rantai inferensi (inference chain).Rantai inferensi menunjukkan bagaimana SP menerapkan aturan untuk mencapai
kesimpulan
.
Contoh
:
Fakta
:
A, B, C, D and E
Lakukan
penalatan
untuk
mencapai
kesimpulanSlide15
Teknik Inferensi: Forward Chaining
15Ada 2 teknik inferensi: forward chaining
dan backward chaining (Waterman and Hayes-Roth, 1978).Forward chaining adalah penalaran yang dikendalikan oleh data (data-driven reasoning). Penalaran dimulai dari data yang diketahui dan memproses maju pada data.Setiap kali hanya aturan paling atas yang akan dieksekusi.Ketika sebuah aturan ditembak, aturan akan menambahkan fakta baru
dalam
database.
Sembarang
aturan
hanya dieksekusi satu kali.Siklus penembakan pencocokan (match-fire) berhenti ketika tidak ada lagi aturan yang dapat ditembak.Forward chaining adalah teknik untuk pengumpulan informasi dan kemudian menalarnya.Beberapa aturan dapat dieksekusi meskipun aturan tersebut tidak memunculkan tujuan/kesimpulan.Slide16
Forward Chaining16
Siklus 1Rule 3, fakta X muncul.
Rule 4, fakta L munculSiklus 2Rule 2, fakta Y munculSiklus 3Rule 1, kesimpulan Z munculSlide17
Backward Chaining17
Backward chaining adalah penalaran yang dikendalikan tujuan
/kesimpulan (goal-driven reasoning).SP mempunyai tujuan (hipotesis solusi), mesin inferensi mencoba untuk mencari evidence (bukti) untuk membuktikannya.Pertama, knowledge base dicari untuk menemukan aturan yang mungkin mempunyai solusi yang dibutuhkan.Aturan harus mempunyai tujuan dalam bagian THEN (
aksi
).
Jika
aturan
ditemukan sedangkan bagian IF (kondisi) cocok dengan data dalam database, maka aturan tertembak dan tujuan terbukti.Jika tidak, maka mesin inferensi akan meletakkan aturan tersebut dalam daerah kerjanya (seut saja “stack”) dan men-setup lagi tujuan baru, sub-goal, untuk membuktikan bagian IF dalam
aturan
tersebut
.
Knowledge base
mencari
lagi
aturan
yang
dapat
membuktikannya
,
Mesin
inferensi
mengulangi
kembali
proses
tumpukan
aturan
(stacking rule)
sampai
tidak
ada
lagi
aturan
dalam
knowledge base
untuk
membuktkan
sub-goal
saat
itu
.Slide18
Backward Chaining18
Pass 1Hipotesis adalah Z.Mesin
inferensi mencoba mencari aturan yang menyimpulkan Z (hipotesis) dibagian THEN yaitu Rule 1Rule 1 membutuhkan fakta Y dan D, maka Rule 1 masuk dalam stack.Fakta Y dan D harus dimunculkan.Pass 2Mesin inferensi men-set-up sub-goal Y, mencari dalam database fakta ternyata tidak ada, maka mencari
dalam
knowledge base
aturan
yang
menyimpulkan
Y (dibagian THEN), Rule 2.Rule 2 masuk dalam stack.Fakta dalam Rule 2: X, B, dan E harus dimunculkan.Pass 3Mesin inferensi men-set-up sub-goal X, mencari dalam database fakta ternyata tidak ada, maka mencari dalam knowledge base aturan yang menyimpulkan X (dibaian THEN), Rule 3.Rule 3 masuk dalam stack.Fakta dalam Rule 3: A, harus dimunculkan.Slide19
19
Pass 4Mesin inferensi menemukan fakta
A dalam database fakta, maka Rule 3 tertembak.Fakta baru X tersimpulkan (muncul dalam database fakta).Pass 5Mesin inferensi kembali ke sub-goal Y, mencoba kembali mengeksekusi aturan 2, fakta X, D, dan E ada dalam database, maka aturan 2 tertembak.Fakta baru Y tersimpulkan
(
muncul
dalam
database
fakta
).Pass 6Mesin inferensi kembali ke Rule 1, mencoba memunculkan kesimpulan Z, fakta Y dan D dan D ada dalam database, maka tujuan awal Z akhirnya tercapai.Slide20
Forward Chaining atau Backward Chaining ?
20Jika pertama pakar perlu
mengumpulkan beberapa informasi dan mencoba menalar dari fakta apapun yang dapat dinalar, maka gunakan forward chaining.Jika pakar memulai dari hipotesis solusi dan mencoba menemukan fakta untuk membuktikannya, maka gunakan
backward chaining
inference engine.
Forward
chaining
adalah
cara alami untuk mendesain sistem pakar untuk analisis dan interpretasi. Misal DENDRAL – Sistem Pakar untuk menentukan struktur molekul dari cairan dasar yang tidak diketahui (Feigenbaum et al., 1971), menggunakan forward chaining. Kebanyakan sistem pakar dengan backward chaining digunakan untuk tujuan diagnosis. Misal, MYCIN, sistem
pakat
dunia
medis
untuk
diagnosis
penyakit
infeksi
darah
(
Shortliffe
, 1976),
menggunakan
backward
chaining.
Kebanyakan
dalan
SP yang
ada
,
mengombinasikan
diantara
keduanya
.Slide21
MEDIA ADVISOR: Rule-base Expert System
21Rule: 1if the environment is papersor the environment is manuals
or the environment is documentsor the environment is textbooksthen the stimulus_situation is verbalRule: 2if the environment is picturesor the environment is illustrationsor the environment is photographsor the environment is diagramsthen the stimulus_situation is visualRule: 3if the environment is machinesor the environment is buildingsor the environment is toolsthen the stimulus_situation is ‘physical object’Rule: 4if the environment is numbersor the environment is formulasor the environment is ‘computer programs’then the stimulus_situation is symbolicRule: 5if the job is lecturingor the job is advisingor the job is counsellingthen the stimulus_response is oralRule: 6if the job is buildingor the job is repairingor the job is troubleshootingthen the stimulus_response is ‘hands-on’
Rule: 7
if the job is writing
or the job is typing
or the job is drawing
then the
stimulus_response
is documentedRule: 8if the job is evaluatingor the job is reasoningor the job is investigatingthen the stimulus_response is analyticalRule: 9if the stimulus_situation is ‘physical object’and the stimulus_response is ‘hands-on’and feedback is requiredthen medium is workshopRule: 10if the stimulus_situation is symbolicand the stimulus_response is analyticaland feedback is requiredthen medium is ‘lecture – tutorial’Rule: 11if the stimulus_situation is visualand the stimulus_response is documentedand feedback is not requiredthen medium is videocassetteRule: 12if the stimulus_situation is visualand the stimulus_response is oraland feedback is requiredthen medium is ‘lecture – tutorial’Rule: 13if the stimulus_situation is verbaland the stimulus_response
is analytical
and feedback is required
then medium is ‘lecture – tutorial’
Rule: 14
if the
stimulus_situation
is verbal
and the
stimulus_response
is oral
and feedback is required
then medium is ‘role-play exercisesSlide22
MEDIA ADVISOR: Rule-base Expert System
22Tujuan akhir rule-based expert system adalah untuk
memunculkan solusi pada masalah data masukan.Media Advisor, solusi/kesimpulan adalah media yang dipilih dari daftar 4 pilihan:medium is workshopmedium is ‘lecture – tutorial’medium is videocassettemedium is ‘role-play exercises’Dalam dialog, SP menanyai user untuk memasukkan data yang dibutuhkan untuk menyelesaikan masalah (environment, job, dan feedback).Berdasarkan
jawaban
yang
diberikan
oleh
user, SP
menerapkan aturan dari knowledge base untuk menalar stimulus_situation adalah physical object, stimulus_response adalah hands_on.Rule 9 kemudian memilih satu dari nilai medium yang dibolehkan.Slide23
Menalar dengan Forward
Chaining23What sort of environment is a trainee dealing with on the job?
machinesIn what way is a trainee expected to act or respond on the job? repairingIs feedback on the trainee’s progress required during training? required (yes) Cycle 1Rule: 3if the environment is machinesor the environment is buildingsor the environment is toolsthen the stimulus_situation is ‘physical object’ Cycle 1Rule: 6if the job is buildingor the job is repairingor the job is troubleshootingthen the stimulus_response is ‘hands-on’ Cycle 2Rule
: 9
if the
stimulus_situation
is ‘physical object’
and the
stimulus_response
is ‘hands-on’and feedback is requiredthen medium is workshopmedium is workshopTidak ada aturan yang masih dapat ditembak, Berhenti.FORWARD CHAINING: Memasukkan fakta dulu, baru disimpulkan.Slide24
Menalar dengan Forward Chaining (2)
24Kasus 1
What sort of environment is a trainee dealing with on the job? diagramsIn what way is a trainee expected to act or respond on the job? advisingingIs feedback on the trainee’s progress required during training? required (yes)Kasus 2What sort of environment is a trainee dealing with on the job? ‘computer programs’In what way is a trainee expected to act or respond on the job? reasoningIs feedback on the trainee’s progress required during training? required (yes)Kasus 3What sort of environment is a trainee dealing with on the job?
textbooks
In what way is a trainee expected to act or respond on the job?
drawing
Is feedback on the trainee’s progress required during training? required (yes)Kasus 4What sort of environment is a trainee dealing with on the job? diagramsIn what way is a trainee expected to act or respond on the job? buildingIs feedback on the trainee’s progress required during training? not required (no)Slide25
Menalar dengan Backward Chaining
25Hipotesis: ‘medium’ is ‘workshop’Pass 1
Mencoba Rule 9, Perlu mencari fakta ‘stimulus_situation’Rule 9, ditumpuk, fakta ‘stimulus_situation’ dicari sebagai ‘physical object’Pass 2Mencoba Rule 3, Perlu mencari fakta ‘environment’Rule 3, ditumpuk, fakta ‘environment’ dicari sebagai ‘machines’ Menanyai environment machines ‘environment’ diinstasiasi oleh user dengan
memasukkan
‘
machines
’
Mencoba Rule 3, ‘stimulus_situation’ diinstasiasi oleh Rule: 3 menjadi ‘physical object’Pass 3Mencoba Rule 9, Perlu mencari fakta ‘stimulus_response’Rule 9, ditumpuk, fakta ‘stimulus_response’ dicari sebagai ‘hands-on’Slide26
Menalar dengan Backward Chaining (2)
26Pass 4Mencoba Rule 6, Perlu
mencari fakta ‘job’Rule 6, ditumpuk, fakta ‘job’ dicari sebagai ‘building’Menanyai job repairing ‘job’ diinstansiasi oleh user dengan memasukkan ‘repairing’Mencoba Rule 6, ‘stimulus_response’ diinstansiasi oleh Rule 6 menjadi ‘hands-on’Pass 5Mencoba Rule 9, Perlu mencari fakta
‘
feedback’
Rule 9
ditumpuk
,
fakta
‘feedback’ dicari sebagai ‘required’Menanyai feedback required ‘feedback’ diinstansiasi oleh user dengan memasukkan ‘required’Mencoba Rule 9, ‘medium’ diinstansiasi oleh user Rule 9 menjadi ‘workshop’medium is workshopBACKWARD CHAINING: Dimulai dari kesimpulan (hipotesis), kemudian mencari faktaSlide27
27
Pohon diagram penalaranSlide28
Menalar dengan Backward Chaining (3)
28Bagaimana jika
hipotesisnya adalah: medium is workshop ? Tetapi :environment is numbersjobs is investigatingfeedback is required (yes)Bagaimana jika hipotesisnya adalah: medium is workshop ? Tetapi :environment is photograhsjobs is writingfeedback is not required (no)Kasus Lain Fakta tidak lengkap
Bagaimana
jika
hipotesisnya
adalah: medium is workshop ? Tetapi :environment is machinesjobs is repairingPerlu diperhatikan, backward chaining tidak selalu bertanya ketika proses penalaran, bisa dimulai dengan memasukan fakta, kemudian mulai menalar, ditengah jalan, SP bisa bertanya untuk menambah
fakta
baru
.Slide29
Kelebihan Sistem Pakar
29Representasi pengetahuan yang alami
Pakar biasanya menjelaskan prosedur penyelesaian masalah dengan pernyataan “Dalam situasi seperti ini, saya melakukan seperti ini”, ini dinyatakan dengan aturan produksi IF-THEN.Stuktur yang seragamAturan produksi menggunakan IF-THEN semua, setiap
aturan
adalah
pengetahuan
yang
independen satu sama lain.Pemisahan pengetahuan dari pemrosesan.Stuktur rule-based expert system memberikan pemisahan knowledge base dari mesin inferensi yang efektif.Agar mesin semakin pintar, maka knowledge engineer hanya menambah beberapa aturan pada knowledge base tanpa mengintervensi struktur kontrol.Menyelesaikan pengetahuan yang tidak lengkap dan tidak pasti.
Kebanyakan
rule-based expert system
dapat
merepresentasikan
dan
menalar
pengetahuan
yang
tidak
lengkap
dan
tidak
pasti
.
Misal
:
IF
season is autumn
AND sky is ‘cloudy’
AND wind is low
THEN forecast is clear {
cf
0.1 };
forecast is drizzle {
cf
1.0 };
forecast is rain {
cf
0.9 }Slide30
Kekurangan Sistem Pakar
30Hubungan yang tidak jelas
antar aturan.Meskipun individu aturan produksi secara relatif sederhana dan self-documented, interaksi logika dalam jumlah aturan yang besar bisa menjadi kabur (tidak jelas/membingungkan).Sulit diamati bagaimana setiap individu memberikan
semua
strategi
.
Masalah
ini akan terlihat ketika aturan produksi disusun dalam hirarki.Strategi pencarian tidak efisien.Mesin inferensi menerapkan exhaustive search pada semua aturan produksi disetiap siklus.Sistem pakar dengan aturan yang besar (>100) bisa menjadi lambat, dan tidak cocok untuk aplikasi
yang real-time.
Tidak
dapat
belajar
Umumnya
rule-based expert system
tidak
mempunyai
kemampuan
untuk
belajar
dari
pengalaman
.
Tidak
bisa
secara
otomatis
memodifikasi
knowledge base
atau
menyesuaikan
aturan
atau
menambah
aturan
baru
.
Knowledge engineer
masih
bertanggung
jawab
pada
revisi
dan
pengelolaan
sistem
.Slide31
Saatnya latihan mesin
inferensiForward chaining dan backward chaining31
ANY QUESTIONS ?