Showing posts with label Sistem. Show all posts
Showing posts with label Sistem. Show all posts

Definisi Kecerdasan Buatan



 “ Kecerdasan buatan (artificial intelligence) merupakan bagian dari ilmu komputer yang membuat agar mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia. “ Kusumadewi [2003]: artificial intelligence.

Tujuan Kecerdasan Buatan

Kecerdasan buatan dapat membantu meringankan beban kerja manusia misalnya dalam membuat keputusan, mencari informasi secara lebih akurat, atau membuat komputer lebih mudah digunakan dengan tampilan yang mudah dipahami. Kecerdasan didapat berdasarkan pengetahuan dan pengalaman, untuk itu agar perangkat lunak yang dikembangkan dapat mempunyai kecerdasan maka perangkat lunak tersebut harus diberi suatu pengetahuan dan kemampuan untuk menalar dari pengetahuan yang telah didapat dalam menemukan solusi atau kesimpulan layaknya seorang pakar dalam bidang tertentu yang bersifat spesifik. Dua  bagian utama yg dibutuhkan untuk aplikasi kecerdasan buatan :
1.             Basis pengetahuan (knowledge base): berisi fakta-fakta, teori, pemikiran & hubungan antara satu dengan lainnya. Pengetahuan pun merupakan informasi terorganisasi dan teranalisis agar bisa lebih mudah dimengerti dan bisa diterapkan pada pemecahan masalah dan pengambilan keputusan.
2.             Motor inferensi (inference engine) : kemampuan menarik kesimpulan berdasarkan pengalaman serta pertimbangan yang didasarkan pada fakta dan hubungan-hubungannya yang terkandung dalam basis pengetahuan.
Dengan basis pengetahuan dan kemampuan untuk menarik kesimpulan melalui pengalaman (inferensi), komputer dapat disejajarkan sebagai alat bantu yang bisa digunakan secara praktis dalam memecahkan masalah dan pengambilan keputusan.
      Dengan teknik pelacakan basis pengetahuan untuk mencari fakta dan hubungannya yang relevan, komputer bisa mencapai satu atau lebih solusi alternatif pada masalah yang diberikan. Basis  pengetahuan komputer dan kemampuan inferensi telah meningkatkan daya guna komputer bagi manusia. Kecerdasan buatan telah memberikan suatu kemampuan baru kepada komputer untuk memecahkan masalah yang lebih besar dan lebih luas, tidak hanya terbatas kepada soal-soal perhitungan, penyimpanan, dan pengambilan data atau pengendalian yang sederhana. 

Konsep Kecerdasan Buatan

Ada beberapa konsep yang harus dipahami dalam kecerdasan buatan, yaitu:
1.        Turing test- Metode pengujian kecerdasan
Turing test marupakan sebuah metode pengujian kecerdasan yang dibuat oleh Alan Turing. Proses uji ini melibatkan seseorang penanya (manusia) dan dua obyek yang ditanyai. Yang satu adalah seorang manusia dan satunya adalah sebuah mesin yang akan diuji. Penanya diminta untuk membedakan mana jawaban manusia berdasarkan jawaban kedua obyek tersebut. Jika penanya tidak dapat membedakan mana jawaban mesin dan mana jawaban manusia maka Turing berpendapat bahwa mesin yang diuji tersebut dapat diasumsikan cerdas.
2.        Pemrosesan simbolik
Komputer semula didesain untuk memproses bilangan/ angka-angka (pemrosesan numeric). Sementara manusia dalam berpikir dan menyelesaikan masalah lebih bersifat simbolik, tidak didasarkan pada sejumlah rumus atau melakukan komputasi matematis. Sifat penting dari AI merupakan bagian dari ilmu komputer yang melakukan proses secara simbolik dan non-simbolik dalam penyelesaian masalah.
3.        Heuristik
Istilah heuristik diambil dari bahsa Yunani yang berarti menemukan. Heuristik merupakan suatu strategi untuk melakukan proses pencarian (search) ruang problem secara selektif, yang memandu proses pencarian yang kita lakukan di sepanjang jalur yang memiliki kemungkinan sukses paling besar.
4.        Penarikan kesimpulan
AI mencoba membuat mesin memiliki kemampuan berpikir atau mempertimbangkan (reasoning). Kemampuan berpikir (reasoning) termasuk didalamnya proses penarikan kesimpulan (inferencing) berdasarkan fakta-fakta dan aturan dengan menggunakan metode heuristik atau metode pencarian lainnya.
5.        Pencocokan pola (Pattern matching)
AI bekerja dengan metode pencocokan pola (Pattern matching) yang berusaha untuk menjelaskan obyek, kejadian (events) atau proses, dalam hubungan logika atau komputasional.

 Representasi Pengetahuan

Pengetahuan merupakan kemampuan untuk membentuk model mental yang menggambarkan obyek dengan tepat dan merepresentasikannya dalam aksi yang dilakukan terhadap suatu obyek (Martin dan Oxman, 1988).
Agar pengetahuan dapat digunakan dalam sistem, pengetahuan harus direpresentasikan dalam format tertentu yang kemudian dihimpun dalam suatu basis pengetahuan. Cara sistem pakar merepresentasikan pengetahuan akan mempengaruhi perkembangan, efisiensi, dan perbaikan sistem. Representasi pengetahuan merupakan metode yang digunakan untuk mengodekan pengetahuan dalam sebuah sistem pakar yang berbasis pengetahuan. Perepresentasian dimaksudkan untuk menangkap sifat-sifat penting problema dan membuat informasi itu dapat diakses oleh prosedur pemecahan masalah.
Pengetahuan dapat direpresentasikan dalam bentuk yang sederhana atau kompleks, tergantung dari masalahnya (Schnupp, 1989). Beberapa model representasi pengetahuan yang penting, adalah: logika (logic), jaringan semantik (semantic network), object-atributte-value (OAV), bingkai (frame) dan kaidah produksi (production rule).

Kaidah Produksi (Production Rule)

Kaidah menyediakan cara formal untuk merepresentasikan rekomendasi, arahan, atau strategi. Kaidah produksi dituliskan dalam bentuk jika-maka (if-then). Kaidah if-then menghubungkan anteseden (antecedent) dengan konskuensi yang diakibatkannya. Berbagai struktur kaidah if-then yang menghubungkan obyek atau atribut adalah sebagai berikut:
JIKA premis MAKA konklusi
JIKA masukan MAKA keluaran
JIKA kondisi MAKA tindakan
JIKA anteseden MAKA konsekuen
JIKA data MAKA hasil
JIKA tindakan MAKA tujuan
Premis mengacu pada fakta yang harus benar sebelum konklusi tertentu dapat berubah. Masukan mengacu pada data yang harus tersedia sebelum keluaran dapat diperoleh. Kondisi mengacu pada keadaan yang harus berlaku sebelum tindakan dapat diambil. Anteseden mengacu pada situasi yang terjadi sebelum konsekuensi dapat diamati. Data mengacu pada kegiatan yang harus dilakukan sebelum hasil dapat diharapkan. Tindakan mengacu pada kegiatan yang harus dilakukan sebelum hasil dapat diharapkan (Hanifah, 1998).
Secara umum, dalam bentuk kaidah produksi IF premis THEN konklusi,maka untuk premis yang lebih dari satu dapat dihubungkan dengan operator and atau or. Sedangkan konklusi dapat berupa kalimat tunggal yang dihubungkan dengan and dan dimungkinkan dikembangkan dengan else.
Suatu kaidah biasanya memberikan informasi terkait dengan domain obyek, tetapi dapat juga suatu kaidah berisi operasi tertentu, contohnya :
IF terdapat perintah hitung IPK
THEN IPK= (total nilai/total sks)
Kaidah dapat dibedakan menjadi dua, yaitu kaidah derajat pertama (first order rule) dan kaidah meta (meta rule) (Giarrantano dan Riley, 1994). Kaidah derajat pertama adalah kaidah sederhana yang terdiri dari anteseden dan konsekuen. Misalnya:
JIKA bersin-bersin dan pusing
MAKA terserang penyakit flu
Kaidah meta adalah kaidah yang anterseden atau konsekuenya mengandung informasi tentang kaidah yang lain. Misalnya:
Aturan 1:
                            JIKA           Pusing
                            DAN           Cepat leleh
                            DAN           Sering kesemutan
                            MAKA        Anemia
Aturan 2
                            JIKA           Anemia
                            DAN           Batuk kronis
                            MAKA        TBC
Untuk hasil yang lebih akurat dalam memecahkan masalah dalam suatu domain, biasanya  dibutuhkan aturan yang cukup banyak karena masing-masing aturan berisi detail pengetahuan. Jumlah pengetahuan akan menggambarkan kompleksitas sistem pakar.

Waterfall Process Model


Nama model ini sebenarnya adalah “Linear Sequential Model”. Model ini sering disebut dengan “classic life cycle” atau model waterfall. Model ini adalah model yang muncul pertama kali yaitu sekitar tahun 1970 sehingga sering dianggap kuno, tetapi merupakan model yang paling banyak dipakai didalam Software Engineering (SE). Model ini mengusulkan sebuah pendekatan kepada pengembangan perangkat lunak secara sistematis. Disebut dengan  waterfall karena tahap demi tahap yang dilalui harus menunggu selesainya tahap sebelumnya dan berjalan berurutan. Tahap- tahap utama dari model ini memetakan kegiatan- kegiatan pengembangan dasar yaitu:
1.      Analisis dan definisi persyaratan
Pelayanan, batasan dan tujuan sistem ditentukan melalui konsultasi dengan user sistem. Persyaratan ini kemudian didefinisikan secara rinci dan berfungsi sebagai spesifikasi sistem.
2.      Perancangan sistem dan perangkat lunak
Proses perancangan sistem membagi persyaratan dalam suatu sistem perangkat keras atau perangkat lunak. Kegiatan ini menentukan arsitektur sistem secara keseluruhan. Perancangan perangkat lunak melibatkan identifikasi dan deskripsi abstraksi sistem perangkat lunak yang mendasar dan hubungan-hubungannya.
a.    Implementasi dan pengujian unit
Pada saat ini, perancangan perangkat lunak direalisasikan sebagai serangkaian program atau unit program. Pengujian unit melibatkan verifikasi bahwa setiap unit telah memenihi spesifikasinya.
b.    Integrasi dan pengujian sistem
Unit program atau program individual diintegrasikan dan diuji sebagai sistem yang lengkap untuk menjamin bahwa persyaratan sistem telah terpenuhi. Setelah pengujian sistem, perangkat lunak dikirim ke pelanggan.
c.    Operasi dan pemeliharaan
Biasanya ( walaupun tidak seharusnya ), ini merupakan fase siklus hidup yang paling lama. Sistem diinstal dan dipakai. Pemeliharaan mencakup koreksi dari berbagai error yang tidak ditemukan pada tahap-tahap terdahulu, perbaikan atas implementasi unit sistem dan pengembangan pelayanan sistem, sementara persyaratan-persyaratan baru ditambahkan.

Karena model ini melakukan pendekatan secara urut / sequential, maka ketika suatu tahap terhambat, tahap selanjutnya tidak dapat dikerjakan dengan baik dan itu menjadi salah satu kekurangan dari model ini. Selain itu, ada beberapa kekurangan pengaplikasian model ini, antara lain adalah sebagai berikut:
1.      Ketika problem muncul, maka proses berhenti, karena tidak dapat menuju ke tahapan selanjutnya. Bahkan jika kemungkinan problem tersebut muncul akibat kesalahan dari tahapan sebelumnya, maka proses harus membenahi tahapan sebelumnya agar problem ini tidak muncul. Hal-hal seperti ini yang dapat membuang waktu pengerjaan SE.
2.      Karena pendekatannya secara sequential, maka setiap tahap harus menunggu hasil dari tahap sebelumnya. Hal itu tentu membuang waktu yang cukup lama, artinya bagian lain tidak dapat mengerjakan hal lain selain hanya menunggu hasil dari tahap sebelumnya. Oleh karena itu, seringkali model ini berlangsung lama pengerjaannya.
3.         Pada setiap tahap proses tentunya dipekerjakan sesuai spesialisasinya masing-masing. Oleh karena itu, ketika tahap tersebut sudah tidak dikerjakan, maka sumber dayanya juga tidak terpakai lagi. Oleh karena itu, seringkali pada model proses ini dibutuhkan seseorang yang “multi-skilled”, sehingga minimal dapat membantu pengerjaan untuk tahapan berikutnya.

Metode Dempster Shafer


Metode Dempster-Shafer merupakan suatu teknik yang mendukung proses pengambilan keputusan, pertama kali diperkenalkan oleh Beynon, Curry dan Morgan di tahun 2000 dan dikembangkan lebih lanjut oleh Beynon, Cosker dan Marshall di tahun 2002.  Dalam metode ini, kriteria dan alternative keputusan disusun dalam bentuk hirarki (hierarchical decision structure), seperti pada metode AHP. Pembobotan terhadap decision alternative/group alternative (DA) dilakukan terhadap seluruh alternative,  kemudian penggabungan alternative antar kriteria dilakukan dengan menggunakan dempster-shafer theory (DST).
Ada berbagai macam penalaran dengan model yang lengkap dan sangat konsisten, tetapi pada kenyataannya banyak permasalahan yang tidak dapat terselesaikan secara lengkap dan konsisten. Ketidakkonsistenan yang tersebut adalah akibat yang seperti itu disebut dengan penalaran non monotonis. Untuk mengatasi ketidak konsistenan tersebut maka dapat menggunakan penalaran dengan teori Dempster-Shafer.
Secara umum teori Dempster-Shafer ditulis dalam suatu interval. Belief dan Plausibility
a.    Belief (Bel) adalah ukuran kekuatan evidenc dalam mendukung suatu himpunan proposisi. Jika bernilai 0 maka mengindikasikan bahwa tidak ada evidence, dan jika bernilai 1 menunjukkan adanya kepastian.
b.    Plausibility (Pl) dinotasikan sebagai :
Pl(s) = 1 – Bel (⌐s)…..…………………. [2.2]
Plausibility juga bernilai 0 sampai 1. Jika yakin akan ⌐s, maka dapat dikatakan bahwa Bel(⌐s)=1, dan Pl(⌐s)=0. Pada teori Dempster-Shafer dikenal  adanya frame of discrement yang dinotasikan dengan θ. Frame ini merupakan semesta pembicaraan dari sekumpulan hipotesis. Tujuannya adalah mengaitkan ukuran kepercayaan elemen-elemen θ. Tidak semua evidence secara langsung mendukung tiap-tiap elemen. Untuk itu perlu adanya probabilitas fungsi densitas (m). Nilai m tidak hanya mendefinisikan elemen-elemen θ saja, namun juga semua subsetnya. Sehingga jika θ berisi n elemen, maka subset θadalah 2n . Jumlah semua m dalam subset θ sama dengan 1. Apabila tidak ada informasi apapun untuk memilih hipotesis, maka nilai : m{θ} = 1,0.
Apabila diketahui X adalah subset dari θ, dengan m1 sebagai fungsi densitasnya, dan Y juga merupakan subset dari θ dengan m2 sebagai fungsi densitasnya, maka dapat dibentuk fungsi kombinasi m1 dan m2 sebagai m3, yaitu
m3(Z) = 1 - ΣX∩Y= Ø m1 (X). m2(Y)  .. . [2.3]
              ΣX∩Y=Z m1 (X). m2(Y).
Tujuanya adalah untuk mengkaitkan ukuran kepercayaan elemen-elemen  dari q. Tidak semua evidence secara langsung mendukung tiap-tiap elemen. Untuk itu perlu adanya probabilitas fungsi densitas (m). Nilai m tidak hanya mendefinisikan elemen-elemen q saja, tetapi juga semua himpunan bagianya (sub-set).Sehingga jika q berisi n elemen, maka sub-set dari q berjumlah 2n. Selanjutnya harus ditunjukkan bahwa jumlah semua densitas (m) dalam sub-set q sama dengan 1.

Orang yang Terlibat dalam Sistem Pakar



Untuk memahami perancangan sistem pakar, perlu dipahami mengenai siapa saja yang berinteraksi dengan sistem. Menurut Turban (1995), terdapat tiga orang yang terlibat dalam lingkungan sistem pakar, yaitu:
1.        Pakar (Domain Expert)
Pakar adalah orang yang memiliki pengetahuan khusus, pendapat, pengalaman dan metode, serta kemampuan untuk mengaplikasikan keahliannya tersebut guna menyelesaikan masalah.
2.        Pembangun Pengetahuan (Knowledge Engineer)
Pembangun Pengetahuan (Knowledge engineer) adalah orang yang membantu pakar dalam menyusun area permasalahan dengan menginterprestasikan dan mengintegrasikan jawaban-jawaban pakar atas pertanyaan yang diajukan, menggambarkan analogi, mengajukan counter example dan menerangkan kesulitan-kesulitan konseptual.
3.        Pemakai (User)
Sistem pakar memiliki beberapa pemakai, yaitu: pemakai bukan pakar, pelajar, pembangun sistem pakar yang ingin meningkatkan dan menambah basis pengetahuan, dan pakar.



2.1.6.      Komponen Pembuat Sistem Pakar

Sistem pakar sebagai sebuah program yang difungsikan untuk menirukan pakar manusia harus bisa melakukan hal-hal yang dapat dikerjakan oleh seorang pakar. Untuk membangun sistem yang seperti itu maka komponen-komponen yang harus dimiliki adalah sebagai berikut (Giarratano dan Riley, 2005):
1.        Antar Muka Pengguna (User Interface)
Sistem pakar menggantikan seorang pakar dalam suatu situasi tertentu, maka sistem baru menyediakan pendukung yang diperlukan oleh pemakai yang tidak memahami masalah teknis. Sistem pakar juga menyediakan komunikasi antara sistem dan pemakainya, yang disebut sebagai antar muka. Antar muka yanpg efektif dan ramah pengguna (user-friendly) penting sekali terutama bagi pemakai yang tidak ahli dalam bidang yang diterapkan pada sistem pakar.
2.        Basis Pengetahuan (Knowledge Base)
Basis pengetahuan merupakan kumpulan pengetahuan bidang tertentu. Pengetahuan ini diperoleh dari akumalasi pengetahuan pakar dan sumber-sumber pengetahuan bersifat dinamis, bisa berkembang dari waktu ke waktu. Perkembangan ini disebabkan karena pengetahuan selalu bertambah, terupdate. Pada sistem pakar basis pengetahuan terpisah dari mesin inferensi. Pemisahan ini bermanfaat untuk pengembangan sistem pakar secara leluasa disesuaikan dengan perkembangan pengetahuan pada suatu domain. Penambahan dan pengurangan dapat dilakukan pada basis pengetahuan ini tanpa mengganggu mesin inferensi.
3.        Mesin Inferensi (Inference Machine)
Mesin inferensi merupakan otak dari sistem pakar, berupa perangkat lunak yang melakukan tugas inferensi penalaran sistem pakar, biasa dikatakan sebagai mesin pemikir (Thinking Machine). Pada prinsipnya mesin inferensi inilah yang akan mencari solusi dari suatu permasalahan. Mesin inferensi sesungguhnya adalah program komputer yang menyediakan metodologi untuk melakukan penalaran tentang informasi pada basis pengetahuan dan pada memori kerja, serta untuk merumuskan kesimpulan-kesimpulan. Komponen ini menyajikan arahan-arahan tentang bagaimana menggunakan pengetahuan dari sistem dengan membangun agenda yang mengelola dan mengontrol langkah-langkah yang diambil untuk menyelesaikan masalah ketika dilakukan konsultasi. Didalam mesin inferensi ini terdapat agenda, yaitu daftar prioritas aturan yang dibuat oleh mesin inferensi, yang polanya dipenuhi oleh fakta atau objek dalam memori kerja.
4.             Memori kerja (Working Memory)
Merupakan bagian dari sistem pakar yang menyimpan fakta-fakta yang diperoleh saat dilakukan proses konsultasi. Fakta-fakta inilah yang nantinya akan diolah oleh mesin inferensi berdasarkan pengetahuan yang disimpan dalam basis pengetahuan untuk menentukan suatu keputusan pemecahan masalah. Konklusinya bisa berupa hasil diagnosa, tindakan dan akibat.
Untuk menjadikan sistem pakar menjadi lebih menyerupai seorang pakar yang berinteraksi dengan pemakai, maka dilengkapi dengan fasilitas sebagai berikut:
1.             Fasilitas Penjelasan (Explanation Facility)
Proses penentuan keputusan yang dilakukan oleh mesin inferensi selama sesi konsultasi mencerminkan proses penalaran seorang pakar. Karena kadangkala pemakai bukanlah ali dalam bidang tersebut, maka dibuatlah fasilitas penjelasan. Fasilitas penjelasan inilah yang dapat memberikan informasi kepada pemakai mengenai jalannya penalaran sehingga dihasilkan suatu keputusan. Bentuk penjelasan dapat berupa keterangan yang diberikan setelah suatu pernyataan diajukan, yaitu penjelasan atas pertanyaan mengapa, atau penjelasan atas pertanyaan bagaimana sistem mencapai konklusinya.
2.             Fasilitas Akuisi Pengetahuan (Knowledge Acquisition Facility)
Pengetahuan pada sistem pakar dapat ditambahkan kapan saja pengetahuan baru diperoleh atau saat pengetahuan yang sudah ada sudah tidak berlaku lagi. Hal ini dilakukan sehingga pemakai akan menggunakan sistem pakar yang komplit dan sesuai dengan perkembangan. Untuk melakukan proses penambahan ini sistem pakar dilengkapi dengan fasilitas akuisi pengetahuan. Dengan adanya fasilitas ini pada sistem, maka seorang pakar akan dengan mudah menambahkan pengetahuan ataupun kaidah baru pada sistem pakar.

Definisi Sistem Pakar


“Sistem pakar adalah sistem berbasis komputer yang menggunakan pengetahuan, fakta, dan teknik penalaran dalam memecahkan masalah yang biasanya hanya dapat dipecahkan oleh seorang pakar dalam bidang tersebut yang memungkinkan komputer dapat berfikir dan mengambil kesimpulan dari sekumpulan kaidah.” Martin dan Oxman (1988)

Tujuan dan Manfaat Sistem Pakar

Tujuan pengembangan sistem pakar sebanarnya bukan untuk menggantikan  peran manusia, tetapi untuk mensubstitusikan pengetahuan manusia ke dalam bentuk sistem, sehingga dapat digunakan oleh orang banyak.
Ada banyak manfaat yang dapat diperoleh dengan mengembangkan sistem pakar, antara lain :
1.        Memasyarakatkan  awam  non-pakar dapat memanfaatkan keahlian di dalam bidang tertentu tanpa kehadiran langsung seorang pakar.
2.        Meningkatkan produktivitas kerja, yaitu bertambah efisiensi pekerjaan tertentu serta hasil solusi kerja.
3.        Penghematan waktu dalam menyelesaikan masalah yang kompleks.
4.        Memberikan penyerdahanaan solusi untuk kasus-kasus yang kompleks dan berulang-ulang.
5.        Pengetahuan dari seorang pakar dapat didokumentasikan tanpa ada batas waktu.
6.        Memungkinkan penggabungan berbagai bidang pengetahuan dari berbagai pakar untuk dikombinasikan.
  Bidang-Bidang Pengembangan Sistem Pakar
           Ada banyak area atau wilayah yang menjadi daerah kerja AI yaitu jaringan saraf, sistem persepsi,  robotik, bahasa ilmiah, sistem pendukung keputusan, sistem informasi berbasis manajemen dan sistem pakar.
Tiap daerah kerja AI memiliki potensi dalam memecahkan masalah, tetapi keunggulan utama ada dalam bentuk pengetahuan dari pakar manusia secara heuristik dalam sistem pakar. Heuristik sendiri berasal bahasa Yunani yaitu Eureka yang berarti menemukan. Heuristik dalam sistem pakar tidak menjamin hasil semutlak sistem kecerdasan buatan lainnya, tetapi menawarkan hasil yang spesifik untuk dimanfaatkan karena sistem pakar berfungsi secara konsisten seperti seorang pakar manusia, menawarkan nasihat kepada pemakai dan menemukan solusi terhadap berbagai permasalahan yang spesifik.
Ada berbagai kategori pengembangan sistem pakar, antara lain :
1.        Kontrol.
Contoh pengembangan banyak ditemukan dalam kasus pasien di rumah sakit, di mana dengan kemampuan sistem pakar dapat dilakukan kontrol terhadap cara pengobatan dan perawatan melalui sensor data atau kode alarm dan memberikan solusi terapi pengobatan yang tepat bagi pasien yang sakit.
2.        Desain.
Contoh sistem pakar di bidang ini adalah PEACE yang dibuat oleh Dincbas pada tahun 1980 untuk membantu desain pengembangan sirkuit elektronik. Contoh ini adalah sistem pakar untuk membantu desain komputer dengan komponen-komponennnya.
3.        Diagnosis.
Pengembangan sistem pakar terbesar adalah bidang diagnosis, seperti diagnosis penyakit, diagnosis kerusakan mesin kendaraan bermotor, diagnosis kerusakan komponen komputer, dan lain-lain.
4.        Instruksi.
Instruksi merupakan pengembangan sistem pakar yang sangat berguna dalam bidang ilmu pengetahuan dan pendidikan, di mana sistem pakar dapat memberikan instruksi dan pengajaran tertentu terhadap suatu topik permasalahan. Contoh pengembangan sistem pakar di bidang ini adalah sistem pakar untuk pengajaran bahasa inggris, sistem pakar untuk pengajaran astronomi dan lain-lain.
5.        Interpretasi.
Sistem pakar yang dikembangkan dalam bidang interpretasi melakukan proses pemahaman akan suatu situasi dari beberapa informasi yang direkam. Contoh sistem yang dikembangkan dewasa ini adalah sistem untuk melakukan sensor gambar dan suara kemudian menganalisisnya dan kemudian membuat suatu rekomendasi berdasarkan rekaman tersebut.
  
6.        Monitor
Sistem pakar di bidang ini banyak digunakan militer, yaitu menggunakan sensor radar kemudian menganalisisnya dan menetukan  posisi obyek berdasarkan posisi radar tersebut.
7.        Perencanaan.
Perencanaan banyak digunakan dalam bidang bisnis dan keuangan suatu proyek, di mana sistem pakar dalam membuat perencanaan suatu pekerjaan berdasarkan jumlah tenaga kerja, biaya dan waktu sehingga pekerjaan menjadi lebih efisisen dan lebih optimal.
8.        Prediksi.
Sistem pakar ini mampu memprediksi kejadian masa mendatang berdasarkan informasi dan model permasalahan yang dihadapi. Bisanya sistem memberikan simulasi kejadian masa mendatang tersebut, misalnya memprediksi tingkat kerusakan tanaman apabila terserang hama dalam jangka waktu tertentu. Program ini dibuat pada tahun 1983 oleh Boulanger dengan nama PLANT.
9.        Seleksi
Sistem pakar dengan seleksi mengidentifikasi pilihan terbaik dari beberapa daftar pilihan kemungkinan solusi. Biasanya sistem mengidentifikasikan permasalahan secara spesifik, kemudian mencoba untuk menemukan solusi yang paling mendekati kebenaran.
10.    Simulasi.
Sistem ini memproses operasi dari beberapa variasi kondisi yang ada dan menampilkannya dalam bentuk simulasi. Contoh adalah program PLANT  yang sudah menggabungkan antara prediksi dan simulasi, di mana program tersebut mampu menganalisis hama dengan berbagai kondisi suhu dan cuaca.
Bahasa pemrograman juga turut menentukan pengembangan sistem pakar di bidang-bidang yang disebutkan diatas. Pada tahun 1970-an di mana sistem operasi masih berbasis teks, pengembangan sistem pakar hanya memanfaatkan bahasa pemrograman seperti Prolog, LISP, atau Shell sehingga pengembangan sistem pakar  pada waktu itu menjadi sangat sulit. Faktor kesulitan tersebut juga dipengaruhi oleh kecepatan prosessor dan memori yang masih sangat terbatas sehingga sistem pakar hanya dapat dikembangkan pada komputer-komputer workstation.
Berbeda dengan perkembangan pada tahun-tahun awal AI berkembang, dewasa ini komputer telah memiliki kecepatan GigaHertz dan didukung oleh perkembangan perangkat keras maupun perangkat lunak yang sangat canggih. Perkembangan yang sangat menarik adalah perkembangan pemrograman Visual berorientasi objek yang mampu mengolah database dalam jumlah data yang sangat besar. Perkembangan perangkat lunak ini tentunya sangat membantu pengembangan secara luas terhadap sistem-sistem berbasis kecerdasan buatan, termasuk sistem pakar.