Dari Aturan ke Solusi: Panduan Praktis Membangun Sistem Pakar Diagnostik dengan CLIPS

Dalam dunia teknologi, proses diagnostik—baik itu untuk mendeteksi penyakit pada pasien, menemukan kerusakan pada mesin industri, atau memecahkan masalah jaringan komputer—adalah sebuah seni yang mengandalkan pengetahuan, pengalaman, dan penalaran logis. Proses ini sering kali bergantung pada seorang "pakar" yang mampu menghubungkan serangkaian gejala dengan akar penyebab masalah. Namun, bagaimana jika kita bisa mendigitalkan keahlian ini, membuatnya tersedia 24/7, dan mendistribusikannya secara luas? Inilah janji dari sistem pakar diagnostik.

baca Juga:PPM Adalah Singkatan Dari? Ini Penjelasan Lengkapnya!

Sementara machine learning menawarkan pendekatan berbasis data untuk prediksi, sistem pakar menyediakan jalur yang berbeda: pendekatan berbasis aturan yang transparan dan dapat dijelaskan. Alih-alih menjadi "kotak hitam", setiap kesimpulan yang dihasilkannya dapat ditelusuri kembali ke aturan-aturan logis yang mendasarinya. Salah satu alat paling andal dan teruji untuk membangun sistem semacam ini adalah CLIPS (C Language Integrated Production System). Artikel ini adalah panduan praktis Anda, yang akan membawa Anda dari konsep aturan IF-THEN sederhana hingga membangun prototipe sistem pakar diagnostik fungsional dengan CLIPS.

Anatomi Sistem Pakar CLIPS: Tiga Pilar Utama

Sebelum kita mulai membangun, penting untuk memahami tiga komponen fundamental yang membentuk setiap sistem pakar CLIPS. Bayangkan seorang detektif yang sedang memecahkan sebuah kasus.

1. Fact-List (Daftar Fakta): Ini adalah "papan bukti" sang detektif. Fact-List adalah memori kerja dinamis yang berisi semua informasi yang diketahui tentang masalah saat ini. Fakta-fakta ini bisa berupa gejala yang dilaporkan pengguna, hasil tes, atau kesimpulan sementara yang dibuat oleh sistem. Contohnya: (printer-status tidak-mencetak), (indikator-lampu berkedip-merah).
2. Knowledge-Base (Basis Pengetahuan): Ini adalah "buku panduan" atau "pengalaman" sang detektif. Knowledge-Base berisi semua aturan (rules) keahlian yang telah dikodekan. Aturan-aturan ini ditulis dalam format IF <kondisi> THEN <aksi>. Misalnya, "JIKA lampu indikator berkedip merah DAN printer tidak mencetak, MAKA kemungkinan besar kertas macet."
3. Inference Engine (Mesin Inferensi): Ini adalah "otak" atau "proses penalaran" sang detektif. Mesin inferensi secara terus-menerus melakukan siklus tiga langkah: mencocokkan fakta-fakta yang ada di Fact-List dengan kondisi aturan di Knowledge-Base, memilih satu aturan yang cocok untuk dieksekusi, dan kemudian melakukan aksi dari aturan tersebut (yang biasanya menambahkan fakta baru ke Fact-List). Proses ini berulang hingga tidak ada lagi aturan yang bisa dieksekusi, dan sebuah solusi atau diagnosis tercapai.

Studi Kasus: Membangun Sistem Pakar Diagnostik Kerusakan Printer

Mari kita terapkan teori ini ke dalam sebuah contoh praktis: sistem untuk mendiagnosis masalah umum pada printer.

Tahap 1: Rekayasa Pengetahuan (Knowledge Engineering)

Langkah pertama adalah "mewawancarai" seorang pakar (misalnya, teknisi printer) untuk mengekstrak pengetahuan diagnostiknya. Hasilnya bisa berupa serangkaian aturan sederhana seperti ini:

• Aturan 1: JIKA printer tidak merespons SAMA SEKALI, MAKA periksa kabel daya dan status daya.
• Aturan 2: JIKA hasil cetak bergaris atau pudar, MAKA kemungkinan tinta/toner hampir habis.
• Aturan 3: JIKA printer mengeluarkan suara aneh DAN kertas tidak keluar, MAKA kemungkinan besar kertas macet.
• Aturan 4: JIKA hasil cetak warnanya salah, MAKA lakukan pembersihan head printer.

Tahap 2: Mendefinisikan Fakta dengan deftemplate

Agar lebih terstruktur, kita akan mendefinisikan sebuah templat untuk fakta kita. Ini seperti membuat formulir standar untuk setiap "bukti" yang kita temukan.

Code snippet

(deftemplate gejala
   (slot nama-gejala)
   (slot deskripsi))

Dengan templat ini, kita bisa menyatakan fakta secara lebih jelas, misalnya: (gejala (nama-gejala hasil-cetak) (deskripsi pudar)).

Tahap 3: Menulis Aturan dengan defrule

Sekarang, kita terjemahkan aturan dari Bahasa Indonesia ke sintaks CLIPS.

Code snippet

; Aturan untuk hasil cetak pudar
(defrule cek-tinta-habis
   (gejala (nama-gejala hasil-cetak) (deskripsi pudar|bergaris))
   =>
   (assert (solusi "Kemungkinan tinta atau toner hampir habis. Coba ganti cartridge.")))

; Aturan untuk kertas macet
(defrule cek-kertas-macet
   (gejala (nama-gejala suara) (deskripsi aneh))
   (gejala (nama-gejala kertas) (deskripsi tidak-keluar))
   =>
   (assert (solusi "Terdeteksi kertas macet. Buka penutup printer dan keluarkan kertas yang tersangkut dengan hati-hati.")))

; Aturan untuk printer tidak merespons
(defrule cek-daya
    (gejala (nama-gejala status-printer) (deskripsi tidak-merespons))
    =>
    (assert (solusi "Printer tidak merespons. Pastikan kabel daya terhubung dengan baik ke printer dan stopkontak.")))

Setiap defrule memiliki dua bagian: bagian kondisi (sebelum =>) yang dicocokkan dengan fakta, dan bagian aksi (setelah =>) yang dieksekusi jika kondisi terpenuhi. Aksi yang paling umum adalah assert untuk menambahkan fakta baru (dalam kasus ini, fakta solusi).

Tahap 4: Menjalankan Sesi Diagnostik

Setelah aturan dimuat, kita bisa memulai sesi konsultasi. Pengguna melaporkan masalahnya, dan kita memasukkannya sebagai fakta awal.

1. Muat Aturan: Simpan kode deftemplate dan defrule di atas dalam file bernama printer.clp dan muat ke CLIPS.
2. Masukkan Fakta Awal: Misalkan pengguna melaporkan hasil cetaknya pudar. Kita assert fakta ini:Code snippet(assert (gejala (nama-gejala hasil-cetak) (deskripsi pudar)))
3. Jalankan Mesin Inferensi: Dengan perintah (run), mesin inferensi akan bekerja. Ia akan menemukan bahwa fakta yang baru kita masukkan cocok dengan kondisi defrule cek-tinta-habis.
4. Lihat Hasil: Mesin akan mengeksekusi aksi dari aturan tersebut, yaitu menambahkan fakta solusi. Kita bisa melihat semua fakta untuk menemukan solusinya:Code snippet(facts) ; Output akan menampilkan fakta awal dan fakta solusi yang baru ditambahkan.

baca Juga:Universitas Teknokrat Indonesia Peringati HUT RI Ke-80, Rektor Ajak Mahasiswa Kuasai Ilmu, Industri, AI, Dan Miliki Karakter Mulia

Membuat Sistem Lebih Interaktif: Bertanya kepada Pengguna

Sistem di atas mengasumsikan semua gejala diketahui di awal. Sistem yang lebih cerdas akan bertanya kepada pengguna. CLIPS memungkinkan ini dengan fungsi input/output.

Code snippet

(defrule tanya-kualitas-cetak
   (not (gejala (nama-gejala hasil-cetak))) ; Hanya aktif jika belum tahu kualitas cetak
   =>
   (printout t "Bagaimana kualitas hasil cetak Anda? (pudar/bergaris/normal): ")
   (assert (gejala (nama-gejala hasil-cetak) (deskripsi (read)))))

Aturan ini akan menanyakan pertanyaan kepada pengguna dan kemudian menegaskan jawaban mereka sebagai fakta baru, yang kemudian dapat memicu aturan diagnostik lainnya. Ini menciptakan alur percakapan yang dinamis dan lebih cerdas.

penulis:dafa Aditya.f