arsitektur multi-agent untuk integrasi informasi terdistribusi dengan

Jurnal Pelita Informatika, Volume 16, Nomor 3, Juli 2017
ISSN 2301-9425 (Media Cetak)
Hal: 234-239
ARSITEKTUR MULTI-AGENT UNTUK INTEGRASI INFORMASI
TERDISTRIBUSI DENGAN DOMAIN SPESIFIK
Phie Chyan
Dosen Tetap Fakultas Teknologi Informasi, Universitas Atma Jaya Makassar
Jln. Tanjung Alang No 23 Makassar
ABSTRAK
Saat ini terdapat data dalam jumlah sangat besar di internet dan intranet yang tersedia dan dimiliki dan dikelola oleh berbagai
organisasi yang berbeda-beda dan terdisitribusi di berbagai tempat diseluruh dunia. Koleksi data yang tersedia sangat kaya dan
mutakhir; akan tetapi, penggalian informasi dan proses knowledge discovery terhadap data tersebut pada domain pengetahuan
tertentu menghadapi berbagai kesulitan. Tujuan dari penelitian ini adalah untuk memperkenalkan sebuah metodologi
autonomous untuk menyediakan integrasi dan penggalian informasi berdomain spesifik yang berasal dari berbagai sumber
terdistribusi.
Kata Kunci: Arsitektur multi Agen, Integrasi Informasi, Sistem Terdistribusi
I. PENDAHULUAN
Kehadiran internet telah secara drastis
mengubah ketersediaan informasi yang diakses secara
elektronik. Menurut sebuah studi yang dipublikasikan
pada tahun 2004, internet mengandung lebih dari 2
milyar halaman unik dan dapat diakses secara publik
yang diakses dan diupdate oleh jutaan pengguna secara
internasional, perangkat koleksi data otomatis dan
teknologi basis data yang semakin matang
mengakibatkan peningkatan jumlah data yang luar
biasa yang tersimpan pada basis data, gudang data dan
sistem repositori data yang lain. Sumber data yang
tersedia antara lain database tradisional dan object
oriented database, knowledge based, flat file, file
terformat (seperti XML) , vector maps dan raster
image, video dan audio. Dengan berkembangnya
jumlah sumber data yang tersedia, masalah dalam
mengeksploitasi dan mengintegrasikan sumber
informasi terdistribusi dan heterogenous menjadi
semakin penting dan mendesak. Pengumpulan
informasi dan integrasi dari sumber intranet dan
internet menghadapi berbagai tantangan. Pertama,
beragam dan banyaknya data yang terus bertambah
setiap hari, Kedua, informasi umum tidak terorganisasi,
tidak presisi, mempunyai beragam format, dan
terdistribusi pada berbagai server melalui jaringan
komputer heterogenous diseluruh dunia. Ketiga,
ketersediaan dan reliabilitas informasi berganti secara
konstan, Konsekuensinya, dalam lingkungan jaringan
komputer skala besar seperti internet, menjadi semakin
sulit untuk menerapkan metode tradisional untuk
meretrieve dan mengintegrasikan informasi secara
efisien dan bahkan lebih sulit lagi dalam melakukan
knowledge discovery.
Suatu mekanisme integrasi informasi yang
efektif seharusnya menyediakan basis / dasar untuk
”knowledge space” yang dibangun diatas ”data layer”
internet. Knowledge layer ini harus disusun atas
layanan bernilai tambah yang memproses dan
menawarkan abstraksi informasi dan pengetahuan
dibanding hanya memberikan / mengembalikan
dokumen ( seperti pada search engine sekarang)
Pendekatan tradisional untuk membangun
sistem terdistribusi tidak bekerja dengan baik pada
sumber informasi besar yang memiliki beragam data
yang besar, beragam dan berkembang dengan pesat [1].
Teknologi seperti softbot, Sage, Occam, ARACHIND,
meta search engines, Web robot, Spider, Clower dan
shop bot memberikan hanya sedikit kapabilitas dalam
hal melokasi, menggabungkan, memprosesing,
mengelola dan mengabstraksi informasi pada knolwge
domain yang spesifik. Untuk sistem tersebut beberapa
permasalahan yang muncul antara lain
Mengumpulkan potongan pengetahuan: dalam
semua konvensional sistem, informasi yang
dikumpulkan hanya merupakan serpihan pengetahuan.
Peneliti sains dan insinyur, sebagai pengambil
keputusan membutuhkan pengetahuan yang lebih
terintegrasi secara sistematik dan mendalam pada
domain tertentu. Sederhananya pengambil keputusan
membutuhkan sistem yang memberikan mereka
pengetahuan yang berkembang secara real time, yang
termasuk semua komponen yang dibutuhkan dalam
pengambilan keputusan. Sebagai contoh, jika
keputusan yang diambil merupakan langkah dalam
menyerang suatu negara, sistem harus mampu
menyediakan pimpinan pasukan suatu pengetahuan
yang komprehensif. Komponen dari pengetahuan yang
disediakan oleh sistem untuk kebutuhan akan hal
tersebut antara lain termasuk cuaca, logistik, peta,
gambar, posisi musuh, sekutu dll. Lebih lanjut
informasi lain yang berhubungan yang dapat
mendukung proses pengambilan keputusan seperti
”bagaimana kondisi pusat komando musuh” harus
tersedia. Kemudian suatu perintah sederhana berupa
query ke sistem harus dapat mengumpulkan,
memproses dan mengkategorisasi informasi yang
berhubungan bagi user.
Pendekatan Client-Server: Semua teknologi
diatas menggunakan pendekatan client server
tradisional. Dalam pendekatan ini komputer klien perlu
mengelola link komunikasi yang berkesinambungan
dengan server. Ini tidak hanya menyebabkan kedua
komputer (klien dan server) menjadi sibuk terhadap
234
Jurnal Pelita Informatika, Volume 16, Nomor 3, Juli 2017
ISSN 2301-9425 (Media Cetak)
Hal: 234-239
proses yang dikerjakan hingga tugas tersebut selesai,
tapi juga keduanya secara terus menerus mengirim dan
menerima informasi yang diperlukan untuk
menyelesaikan tugasnya. Ini mengakibatkan sejumlah
besar trafik pada jaringan. Client server model
menghadapi berbagai tantangan, seperti standarisasi
legacy dari network, skaling dan masalah protokol [2].
Dewasa ini, terdapat ketertarikan yang semakin besar
dalam menggunakan pendekatan intelegent agent
dalam mendesain sistem yang membantu user pada
WWW. Karena karakteristik dinamis dan fleksibel dari
intelegent agents membuatnya digunakan secara luas
sebagai sistem interface antara pengguna dan WWW
untuk aplikasi yang berbeda beda, Sebagai contoh
Bollacker mengembangkan suatu agent yang
membantu pengguna dalam pencarian literatur ilmiah,
Ackerman mengembangkan agent yang menemukan
halaman web tertentu bagi user, dan Lieberman
mengembangkan agent untuk membantu pengguna
dalam membrowsing WWW.
Pendekatan agent
tunggal dirancang untuk membantu pengguna untuk
tugas yang spesifik. Sistem tersebut dibatasi untuk
tugas tertentu dan tidak cukup scalable untuk diperluas
ke sistem pengumpul informasi umum (dan tentu saja
bukan informasi terintegrasi). Di sisi lain, pendekatan
multi agent terkini menyasar pengumpulan informasi
dalam bentuk potongan-potongan pengetahuan.
Arsitektur ini tidak secara sistematis menawarkan
pengetahuan yang berkembang pada domain target
yang memasukkan semua komponen yang dibutuhkan
untuk memenuhi suatu query. Arsitektur ini kurang
memiliki kemampuan dalam mengelompokkan
informasi yang tersedia dan menyediakan mekanisme
dalam menghadapi berbagai data format pada WWW.
Dalam penelitian ini, suatu pendekatan
intellegent
agent
untuk
mendesain
dan
mengimplementasi permasalahan ditawarkan, dalam
hal ini suatu sistem terintegrasi yang menyediakan
akses ke sumber informasi yang banyak dan beragam
dalam domain tertentu, dengan mengorganisasinya
kedalam jaringan agen informasi. Setiap agen
menyediakan keahlian pada suatu topik tertentu dengan
menarik informasi relevan dari agen informasi lainnya
dalam domain pengetahuan yang berhubungan. Setiap
agent informasi mengandung suatu ontology terhadap
domain keahliannya, disebut domain model, dan model
dari agen lainnya yang dapat memberikan informasi
yang relevan disebut information source model. Serupa
dengan cara sumber informasi saat ini yang
terkonstuksi secara independen, agent informasi dapat
dikembangkan dan dikelola secara terpisah. Mereka
menarik informasi dari agent lain dan repositori data
untuk memberikan sumber informasi baru yang dapat
dilakukan juga oleh agent lain dalam gilirannya. Setiap
agen informasi merupakan sumber informasi yang lain,
tetapi memberikan abstraksi terhadap banyak sumber
informasi yang tersedia. Repositori data yang sudah ada
dapat diubah menjadi agent informasi sederhana
dengan membangun interface code yang sesuai, disebut
wrapper, yang akan mengikuti konvensi dari
organisasi. Keuntungan dalam menggunakan wrapper
adalah cara ini akan menyederhanakan agen individual
karena cukup mengelola satu format tertentu saja.
II. TEORITIS
Untuk secara efektif menggunakan banyak
sumber informasi heterogenous yang tersedia dalam
jaringan komputer berskala luas seperti internet
diperlukan suatu bentuk organisasi. Konsep dari suatu
agent yang menyediakan keahlian pada topik spesifik
dengan menarik informasi relevan dari berbagai
sumber, menawarkan rancang bangun dasar.
Dengan tersedianya perangkat mobil berbiaya
rendah, seperti mobile PC dan smartphone, seseorang
dapat mengakses informasi pada jaringan tetap dimana
saja dan kapan saja. Ini artinya bagi perangkat penyedia
informasi agar operasional maka harus dapat
mendukung perangkat mobile[3]. Dalam lingkungan
jaringan nirkabel, perangkat mobile menghadapi
beberapa limitasi, seperti bandwidht kecil, daya
komputasi kecil, kapasitas memori kecil, daya baterai
kecil dan sebagainya sehingga membatasi komputasi
mobile. Penemuan teknologi agent mobile diharapkan
dapat mengatasi keterbatasan tersebut. Mobile agents
merupakan program independen yang secara khusus
dieksekusi sesuai keinginan pengguna. Agent
ditransport ke banyak host remote dalam jaringan untuk
mengerjakan tugas yang diberikan. Karena itu, secara
potensial mereka dapat mengurangi trafik komunikasi
dalam jaringan. Ini membuatnya menjadi menarik
untuk komunikasi mobile dan scalable system.
Lebih lanjut, intellegent agent dibeda-bedakan dari
aplikasi lainnya dengan dimensi tambahan dari
autonomy, dan kemampuan untuk berinteraksi
independen terhadap keberadaan penggunanya.
Karakteristik ini membuat intelligent agent suatu
pilihan yang menarik untuk digunakan dalam
pemodelan untuk integrasi dan realtime knowledge
discovery
III. ANALISA dan PEMBAHASAN
Pendekatan yang menjanjikan bagi integrasi
informasi terdistribusi adalah dengan mengakses
sejumlah sumber informasi yang besar kemudian
mengorganisasikannya kedalam jaringan agen
informasi. Tujuan dari setiap agen informasi adalah
memberikan informasi dan keahlian pada suatu topik
spesifik dengan menarik suatu abstraksi informasi yang
relevan dari agen informasi yang lain. Untuk
membangun jaringan tersebut dibutuhkan infrastruktur
yang sesuai untuk agen informasi tunggal yang dapat
dihasilkan untuk menyediakan multiple agent. Serupa
dengan bagaimana sumber informasi saat ini
dikonstruksi secara independen, agen informasi
dikembangkan dan dikelola secara mandiri. Mereka
dapat menarik dari agen informasi lain dan juga data
repositori untuk memberikan sumber informasi baru
yang pada gilirannya dapat juga dilakukan oleh agen
informasi yang lainnya. Setiap agen informasi
merupakan sumber informasi tersendiri, tapi
235
Jurnal Pelita Informatika, Volume 16, Nomor 3, Juli 2017
ISSN 2301-9425 (Media Cetak)
Hal: 234-239
memberikan abstraksi terhadap banyak sumber
informasi yang tersedia. Sumber informasi yang telah
ada diubah ke agen informasi sederhana dengan
membangun interface code yang sesuai, disebut
wrapper, yang memungkinkannya untuk mengikuti
konvensi dari organisasi. Suatu class wrapper agent
akan perlu untuk membangun suatu tipe sumber
informasi yang diberikan (gambar, grafik,teks, video,
audio, dll)[4][5]. Keuntungan dari pendekatan ini
adalah menyederhanakan agent individual karena
hanya perlu menangani format tertentu. Ini
memungkinkan untuk menskala jaringan ke banyak
agent dengan akses ke berbagai tipe sumber informasi.
Dalam sistem ini, beberapa agen menjawab
query yang dialamatkan padanya. Tapi tidak secara
aktif mengalamatkan permintaan ke agen lain; disebut
data repository. Agent-agent ini berhubungan dengan
sumber informasi lainnya termasuk database relasional,
object oriented database, objet oriented database,
sumber gambar dan grafik, vector dan raster map, teks
dan teks terformat, sumber audio dan video[6]. Untuk
setiap kategori terdapat intelligent agent dengan
keahlian yang memadai untuk proses knowledge
discovery. Dalam tulisan ini digunakan istilah data
repository atau wrapper agent untuk mengacu ke jenis
agen tersebut selain itu cukup disebut agent informasi.
Gambar 1 menunjukkan contoh jaringan dari agent
informasi yang akan digunakan untuk menjelaskan
berbagai elemen yang berbeda dari sistem yang
diusulkan. Domain aplikasi adalah perencanaan
logistik. Untuk melaksanakan tugasnya, agen
perencanaan logistik yang merupakan agen informasi
perlu untuk memperoleh informasi terhadap topik
berbeda, misalnya kapabilitas transportasi, kondisi
cuaca dan data geografis. Agent yang lain juga harus
mengintegrasikan sejumlah sumber informasi yang
relevan terhadap domain keahliannya. Sebagai contoh
Sea_agent mengkombinasikan aset data dari naval
agent( seperti kapal dari berbagai armada), data
pelabuhan dari agent_harbor dan port_agent. Terdapat
beberapa point yang harus diperhatikan terhadap
jaringan yang berhubungan dengan autonomy dari
jaringan. Pertama, setiap agent harus memilih untuk
mengintegrasikan hanya bagian ontology tertentu dari
sumber informasinya yang dibutuhkan untuk tugas
yang dirancang. Sebagai contoh Transportation_agent
mungkin memiliki integrasi yang lengkap antara agent
laut, udara, dan darat, sedangkan agent planning
logistik mungkin menarik hanya sebagian pengetahuan
dari agen cuaca dan geografis. Kedua, mungkin
dibutuhkan untuk membangun agent baru jika tidak
ditersedia agen yang mengandung semua informasi
yang dibutuhkan. Sebagai contoh, jika agen geografis
tidak memasukkan beberapa fakta khusus mengenai
informasi geopolitik yang dibutuhkan oleh agen
perencanaan logistik, maka agen ini dapat mengakses
secara langsung ke agen informasi geopolitik. Akan
tetapi, jika kebanyakan informasi belum tersajikan,
sebuah agen geografis alternatif perlu untuk dibangun (
dan dihubungkan) . Ketiga, jaringan membentuk suatu
graf directed acyclic bukannya sebuah tree, sebab suatu
agent tertentu dapat menyediakan informasi bagi
banyak agen lainnya yang fokus pada berbagai aspek
keahlian tertentu. Namun, siklus sebaiknya dihindari,
jika tidak sebuah query dapat berulang tanpa akhir dan
tidak menemukan agent yang sesuai untuk menjawab
query tersebut.
Sebagai rangkuman, jaringan dari agen pengumpul
informasi menyediakan dasar untuk “knowledge
space” yang dibangun diatas “data layer” dari web.
Lapisan pengetahuan ini tersusun dari layanan bernilai
tambah yang memproses dan menawarkan abstraksi
informasi
dan
pengetahuan
dan
bukannya
mengembalikan dokumen. Terlepas dari kompleksitas
yang diperkenalkan oleh autonomy dari agent di
organisasi, fakta bahwa individual agent dapat secara
independen dibangun dan dikelola membuat sistem
menjadi cukup fleksibel untuk diskala ke banyak
sumber informasi dan dapat beradaptasi terhadap
kebutuhan aplikasi baru.
Gambar 1. Jaringan dari Agen Pengumpul Informasi.
Gambar 2. Infrastruktur Umum dari Knowledge
Discovery System.
IV. IMPLEMENTASI
A. Arsitektur Sistem
Jaringan dari agent pengumpul informasi
dibangun pada infrastruktur administrasi autonomous
(AAI), Untuk struktur ini, desain framework awal
menggabungkan penggunaan mobile agen request
(MRA), Mobile Supporting Agents (MSA), User
Interface Agents (UIA), Information Manager Agent
(IMA) dan Agent Administrator (AA).
236
Jurnal Pelita Informatika, Volume 16, Nomor 3, Juli 2017
ISSN 2301-9425 (Media Cetak)
Hal: 234-239
Untuk
memahami
bagaimana
infrastruktur
administrator autonomous bekerja, lihat skenario
sederhana (gambar 2.) seorang user mengirim query
dengan mengontak UIA ( untuk user dengan fixed
connection) atau MRA (untuk user dengan portable
device). MRA merupakan agent mobile yang berlokasi
pada perangkat portable, yang memindahkan ke host dr
MSA dan memberinya user request. MRA dan MSA
mengkompensasikan untuk kemampuan terbatas dari
perangkat mobile. Mereka menyediakan suatu interface
sebagai entry point dari pengguna jaringan mobile ke
fixed networks tanpa perlu kebutuhan akan trafik
komunikasi yang tinggi. Selanjutnya MSA akan
mendelegasikan permintaan ke sebuah IMA, yang pada
gilirannya akan menghubungi agen informasi yang
sesuai dalam jaringan dengan merefer ke direktori
domain modelnya. Agen informasi menggunakan
jaringannya, bekerja sama dengan agen lain pada
jaringan, mengkonstruksi hasil real-time dan mengirim
kembali ke IMA. IMA meletakkan beberapa formatting
dan mengirim kembali ke MSA atau UIA untuk
disajikan kepada user. Dalam hal pengguna perangkat
portable, MSA menyediakan MRA dengan
menemukan dan meluncurkannya kembali pada
portable device.
Agent Administrator (AA) dalam AAI
digunakan untuk mengelola agen informasi dan
jaringannya. Melalui AA administrator dari sistem
dapat menghasilkan/memodifikasi agent dan linknya.
Administrator dapat juga memperkenalkan aplikasi
domain baru ke sistem menggunakan agent ini.
B.
Pengetahuan Dari Suatu Agent Informasi
Setiap agen informasi mempunyai spesialisasi
pada suatu domain aplikasi tunggal dan menyediakan
akses ke sumber informasi yang tersedia sepanjang
domain tersebut. Setiap agent mengandung suatu
ontology dari domain keahliannya- disebut domain
model- dan model dari agen lainnya yang dapat
menyediakan informasi relevan – disebut information
source model-. Domain model merupakan suatu
ontology yang merepresentasikan domain interest dari
agent dan membangun terminologi untuk berinteraksi
dengan
agent.
Information
source
model
menggambarkan konten dari sumber informasi
sekaligus hubungannya ke domain. Model tidak perlu
mengandung deskripsi lengkap dari agen lainnya, tapi
hanya porsi yang secara langsung mempunyai
relevansi.
Domain model dari suatu agent menentukan
area keahliannya dan terminologi untuk berkomunikasi
dengan agent tersebut. Karena itu, model ini
menyediakan suatu ontology untuk menggambarkan
domain aplikasi. Ontology terdiri dari deskripsi dari
class dan objek dalam domain, hubungan relasi antar
class dan informasi lainnya yang bersifat domainspesific information. Class – class dan hubungan relasi
tidak perlu secara langsung berhubungan secara
langsung ke object yang digambarkan. Model
memberikan deskripsi semantik dari domain, yang
digunakan secara ekstensif untuk memproses query.
Setiap model sumber informasi mempunyai 2
bagian. Pertama, terdapat deskripsi konten dari sumber
informasi. Ini terdiri dari konsep yang tersedia dari
sumber informasi. Istilah dalam ontology menyediaka
bahasa yang dimengerti oleh sumber informasi. Kedua,
relasi antara konsep sumber informasi tersebut dan
konsep dalam model domain perlu untuk ditegaskan.
Pemetaan tersebut digunakan untuk mentransformasi
query model domain ke dalam sekumpulan query yang
sesuai dengan sumber informasi.
C. Query Processing
Kemampuan penting dari suatu agen informasi
adalah kemampuan meretrieve dan memproses data
secara fleksibel dan efisien. Pemrosesan query
membutuhkan perencanaan untuk memperoleh data
yang diminta, ini termasuk memilih sumber informasi
yang menyediakan data, operasi pemrosesan, tempat
dimana operasi akan dilaksanakan, dan urutan
pelaksanaannya. Oleh karena data dapat dipindahkan
diantara site yang berbeda, diproses pada lokasi yang
berbeda, dan operasi dapat dilaksanakan dalam urutan
yang berbeda, maka terdapat berbagai kemungkinan
perencanaan yang memungkinkan
Untuk prototipe sistem, dikembangkan basis
untuk
sistem
perencanaan
fleksibel
untuk
menggenerate dan mengeksekusi query access plan.
Beberapa fitur yang diharapkan dari query processor
adalah kemampuan untuk memproses secara paralel,
menaugmentasi dan re-plan query yang gagal ketika
mengeksekusi query lainnya, dan yang paling menarik,
untuk mengumpulkan informasi tambahan pada
runtime untuk mendukung query processing.
D. Wrapper Agent
Seperti yang dijelaskan sebelumnya, wrapper
agent merupakan agen informasi yang berhubungan
dengan berbagai data repositori. Untuk setiap kategori
dari repositori data, terdapat suatu agen intelegent
dengan kemampuan yang memadai untuk knowledge
discovery. Wrapper agent bertanggung jawab dalam
ekstraksi pengetahuan pada level terendah di sistem
(data mining). Agen – agen tersebut hanya merupakan
agen informasi yang diperlukan untuk melakukan data
mining dan knowledge discovery pada raw data.
Seperti yang telah disebutkan sebelumnya, agen
informasi lainnya membangun pengetahuan mereka
dari pengetahuan yang dihasilkan oleh wrapper atau
agen informasi lower level lainnya, yang menyediakan
mereka dengan informasi abstrak.
Langkah langkah dalam proses knowledge
discovery, yang ditangani oleh wrapper agent, sebagai
berikut:
- Seleksi data : membuat set target data dalam domain
keahliannya
- data handling
- Memilih fungsi dari algoritma data mining
- data mining: cari pola yang diinginkan
237
Jurnal Pelita Informatika, Volume 16, Nomor 3, Juli 2017
ISSN 2301-9425 (Media Cetak)
Hal: 234-239
- evaluasi pola dan presentasi pengetahuan dalam
domain model yang sesuai
- Menyediakan knowledge discovery ke agen informasi
yang lebih tinggi.
Data mining merupakan inti dari proses
knowledge discovery termasuk subtask sebagai
berikut:
- Analisis cluster : Cluster engine digunakan deteksi
cluster otomatis dari record yang berdekatan satu sama
lain dalam ukuran tertentu dalam semua variabel.
Cluster ini dapat merepresentasikan target grup yang
berbeda dalam domain yang berbeda. Cluster engine
menempatkan record berhubungan ke cluster yang
berbeda dalam dataset terpisah untuk analisis lebih
lanjut
- Klasifikasi
* menemukan model (fungsi) yang menggambarkan
dan membedekan kelas-kelas informasi
* Presentasi menggunakan decision tree dan aturan
klasifikasi
- Asosiasi : Korelasi dan hubungan timbal balik
- Deskripsi konsep: karakterisasi dan diskriminasi
* Generalisasi, Rangkuman, dan karakteristik kontras
data
- Analisis outlier
* Outlier adalah objek data yang tidak mengikuti
perilaku umum dari data
* Ini dapat dipertimbangkan sebagai noise atau
eksepsi tapi cukup berguna pada analisis
- Analisis trend dan evolusi
* Deviasi dan analisis regresi
* pola sekuensial mining, analisi periodik
* Analisis berbasis kemiripan
- Pola lainnya atau analisis statistic
Karena proses diatas dapat menghasilkan banyak pola
yang tidak semua menarik bagi sistem
– langkah terakhir dari pengukuran tingkat
kemenarikan (interistingness measurement) juga
dilakukan.
Dalam arsitektur agen wrapper, sebuah pola
dikatakan menarik jika pola tersebut dimengerti oleh
sistem berdasarkan domain model, valid dengan derajat
kepastian tertentu, berguna bagi sistem secara
potensial, atau menvalidasi beberapa hipotesis yang
ingin dikonfirmasi oleh agen informasi dengan level
yang lebih tinggi.
E. Pemrosesan Informasi Dalam Agen Informasi
Seperti yang diilustrasikan pada gambar 1,
proses knowledge discovered oleh wrapper agent
diberikan ke agen informasi dengan tingkat yang lebih
tinggi dalam jaringan untuk integrasi dan abstraksi.
Setiap agen informasi memproses informasi yang
diterimanya dari agen lainnya dan memberikan
pengetahuan abstract, konsisten dengan domain
modelnya, yang pada gilirannya akan disediakan ke
agen lainnya yang meminta keahliannya.
Pemrosesan informasi termasuk memasukkan
tugas-tugas berikut:
- Data cleaning : memperbaiki data dengan noise,
menghilangkan outlier dari domain modelnya
- Integrasi data: Menggabungkan data dari banyak
sumber sambil mendeteksi dan menyelesaikan konflik
data
- Transformasi data : Normalisasi data dan agregasi
dengan menggunakan model domain yang dijelaskan
sebelumnya
- Reduksi data (Abstraksi) : mendapatkan hasil yang
lebih kecil dalam volume tapi menghasilkan kualitas
yang sama dalam domain modelnya.
F. Kontrol dan Koordinasi
Kontrol dan koordinasi pada akhirnya akan
menjadi isu kunci dalam sistem multi agent untuk
knowledge discovery secara real time dan integrasinya.
Real time constraint umumnya memerlukan problem
solving yang hasilnya mendekati dan memuaskan,
dimana aspek tertentu pada kualitas hasil misalnya
presisi harus ditrade off untuk dapat memenuhi
constrain waktu. Sebagai tambahan dengan menjadi
masalah multi attribut decision, kontrol disini juga
melibatkan ketidakpastian. Karakteristik kualitas hasil
untuk suatu query dapat diprediksi secara mendekati,
dan waktu respons dan ketersediaan even dari sumber
informasi dapat bersifat variabel dan dinamis. Ini
membutuhkan sumber dan metode di atur secara real
time, atau sumber informasi tambahan dieksploitasi
jika hasilnya terbukti tidak memuaskan. Membuat
kontrol keputusan seperti itu benar-benar kompleks,
karena perilaku dari banyak agent
perlu
dikoordinasikan.
Sebagai contoh, bila satu agen / sumber terbukti
lambat dalam memberikan hasil untuk suatu subquery,
maka mungkin diperlukan untuk memodifikasi
subquery tersebut. Ini juga mungkin akan
membutuhkan modifikasi pada subquery agent lainnya
untuk memperoleh tujuan sistem keseluruhan. Seperti
yang didiskusikan pada bagian pemrosesan query,
perencanaan query mengabaikan isu ini pada awalnya,
dengan asumsi bahwa agen penyedia dapat membuat
prediksi yang baik, dalam domain mereka, menyangkut
performa, dan sebagainya
V. KESIMPULAN
Sumber informasi menjadi semakin beragam
karena perkembangan teknologi informasi kemudian
pendidik, peneliti dan pengambil keputusan
menghadapi pertanyaan yang makin kompleks dan
detail. Untuk menjawab pertanyaan ini, mereka butuh
pakar dari multidisiplin ilmu atau memiliki akses ke
pakar dari berbagai disiplin tertentu. Sistem yang
diusulkan memodelkan relasi tersebut dengan
menggunakan agen inteligen dan mendistribusikan
proses knowledge discovery di domain tertentu dengan
menggunakan multiple agen yang bertanggungjawab
untuk subdomain yang berbeda.
238
Jurnal Pelita Informatika, Volume 16, Nomor 3, Juli 2017
ISSN 2301-9425 (Media Cetak)
Hal: 234-239
DAFTAR PUSTAKA
[1]
[2]
[3]
[4]
[5]
[6]
R. Ahmed, D. Ali, M. Cobb, S. Rahimi, "A Visualization Tool
for the Intelligent Agent Modeling Language APICalculus", Proceedings of the 9th Annual International
Conference on Industry Engineering and Management
Systems, pp. 482-488, 2003
Ackerman, M. S., Starr, B., and Pazzani, M. (1997). The DoI-Care Agent: Effective Social Discovery and Filtering on the
Web. Proceedings of RIAO Computer-Assisted Information
Searching on the Internet, pp. 17-31.
Iswahyudi, C., 2010 Prototype Aplikasi Untuk Mengukur
Kematangan Buah Apel Berdasarkan Kemiripan Warna,
Jurnal Teknologi Vol 3 No 2 2010, hal: 15-29
NTS Saptadi, P Chyan, 2014 Model Penyusunan Blue Print
Information Technology Governance Di Rumah Sakit,
Prosiding KNSI Edisi 27.
Rahman, Arif. 2009. Sistem temu balik citra menggunakan
jarak histogram. Prosiding Seminar Nasional Aplikasi
Teknologi Informasi (SNATI) 2009, hal : I 58-61
The Java Expert System Shell, 2003
239