Backward Chaining & Forward Chaining

UTHIE

Inferensi

merupakan proses untuk menghasilkan informasi dari fakta yang diketahui atau diasumsikan.

Inferensi adalah konklusi logis (logical conclusion) atau implikasi berdasarkan informasi yang tersedia

dilakukan dalam suatu modul yang disebut Inference Engine (Mesin inferensi)

BASISPENGETAHUAN

(ATURAN)

MESIN INFERENSI

AGENDA

MEMORIKERJA

(FAKTA)

FASILITASPENJELASAN

FASILITAS AKUISISI

PENGETAHUAN

ANTAR MUKA PENGGUNA

Metode Inferensi

Runut maju/forward chaining

Runut balik/backward chaining

Campuran

Runut Maju

Menggunakan himpunan aturan kondisi-aksi

Dalam metode ini, data digunakan untuk menentukan aturan mana yang akan dijalankan, kemudian aturan tersebut dijalankan

Cocok digunakan untuk menangani masalah pengendalian (controlling) dan peramalan (prognosis) (Giarattano dan Riley, 1994).

Urutan Langkah Runut Maju

Tampilkan semua daftar premis

User memilih premis yang dialami

Sistem mencari aturan yang premisnya terdiri dari premis-premis yang dipilih oleh user

Sistem akan menampilkan konklusi dari aturan tersebut

untuk mengetahui apakah suatu fakta yang dialami oleh pengguna

itu termasuk konklusi 1, konklusi 2, konklusi 3, atau konklusi 4 atau

bahkan bukan salah satu dari konklusi tersebut

user diminta memasukkan premis-premis yang dialami

sistem dapat memunculkan daftar premis yang mungkin sehingga user dapat memberikan feedback premis mana yang dialami dengan memilih satu atau beberapa dari daftar premis

yang tersedia

Premis:Premis1Premis2Premis3Premis4Premis5 Premis 6

Berdasarkan premis-premis yang dipilih maka sistem akan mencari aturan

yang sesuai, sehingga akan diperoleh konklusinya

Pilihan User:Premis1Premis2Premis3

Aturan 1

Konklusi 1

Pilihan User:Premis1Premis6

Aturan 4

Konklusi 4

Contoh Kasus Forward Chaining

Misalkan diketahui sistem pakar menggunakan 5 buah rule sebagai berikut :

R1 : If (Y and D) THEN Z

R2 : If (X and B and E) then Y

R3 : if A then X

R4 : if C then L

R5 : if (L and M) then N

fakta-fakta : A, B,C,D dan E bernilai benar

Goal : menentukan apakah Z bernilai benar

Iterasi 1

Iterasi 2

Iterasi ke 3

Sampai disini proses dihentikan karena sudah tidak ada lagi rule yang bisa dieksekusi pencarian adalah Z bernilai benar. (lihat database di bagian fakta baru)

Contoh kasus 2 forward chaining

Keputusan investasi A : Memiliki 100juta B : < 30 tahun C : Pendidikan Sarjana D : Pendapatan tahunan <=400juta E : Investasi di saham F : Investasi di saham pertumbuhan G : Investasi di saham IBM

Fakta yg diketahui: Seseorang memiliki 100juta dan berumur 25 tahun, ingin meminta saran apakah sebaiknya dia berinvestasi di saham IBM atau tidak

Rule yang diketahui adalah :

1. Jika memiliki 100 juta dan memiliki pendidikan sarjana maka cocok investasi di saham

2. jika pendapatan tahunan <=400juta dan pendidikannya sarjana maka cocok investasi di saham pertumbuhan

3. Jika umur < 30 tahun dan sudah Investasi di saham maka cocok investasi di sahan pertumbuhan

4. Jika umur < 30 tahun maka pasti pendidikannya sarjana

5. Jika investasi di saham pendidikan maka pasti juga investasi di saham IBM

Contoh Kasus 3 Diketahui sistem pakar mempunyai 10 Rule yang tersimpan pada

basis pengetahuannya sebagai berikut :

R1 : IF ( A AND B) THEN C

R2 : IF C THEN D

R3 : IF (A AND E) THEN F

R4 : IF A THEN G

R5 : IF (F AND G) THEN D

R6 : IF (G AND E) THEN H

R7 : IF (C AND H) THEN I

R8 : IF (I AND A) THEN J

R9 : IF G THEN J

R10 : IF J THEN K

Fakta awal yang diberikan adalah A & F, buktikan apakah K bernilai benar apabila proses inferensi dilakukan dengan cara forward chaining.

Backward Chaining

Penalaran dimulai dengan tujuan kemudian merunut balik ke jalur yang akan mengarahkan ke tujuan tersebut (Giarattano dan Riley, 1994).

Merupakan cara yang efisien untuk memecahkan masalah yang dimodelkan sebagai masalah pemilihan terstruktur.

Tujuan dari inferensi ini adalah mengambil pilihan terbaik dari banyak kemungkinan.

Metode inferensi runut balik ini cocok digunakan untuk memecahkan masalah diagnosis (Schnupp, 1989).

Urutan Langkah Runut Balik

Sistem akan melist dalam memori daftar konklusi yang ada

Masing-masing konklusi secara sekuensial dicari premisnya

Masing-masing premis di tanyakan ke user

Jika jawaban ya, dilanjutkan ke premis berikutnya

Jika jawabannya tidak dilanjutkan ke konklusi selanjutnya

untuk mengetahui apakah suatu fakta yang dialami oleh pengguna

itu termasuk konklusi 1, konklusi 2, konklusi 3, atau konklusi 4 atau

bahkan bukan salah satu dari konklusi tersebut

sistem akan mengambil hipotesis bahwa konklusinya

adalah dari konklusi 1 s/d konklusi 4

Untuk membuktikan hipotesisnya sistem akan mencari premis-premis aturan yang mengandung konklusi yang diduga.

Setelah itu sistem akan meminta feedback kepada user mengenai premis-premis yang ditemukan tersebut.

Hipotesis Konklusi:Konklusi 1

Premis yang sesuai:Premis 1Premis 2Premis 3

Jika ketiga premis dialami user, maka konklusi 1

terbukti, jika tidak pindah ke konklusi 2

Contoh Kasus backward Chaining

Misalkan diketahui sistem pakar menggunakan 5 buah rule sebagai berikut :

R1 : If (Y and D) THEN Z

R2 : If (X and B and E) then Y

R3 : if A then X

R4 : if C then L

R5 : if (L and M) then N

fakta-fakta : A, B,C,D dan E bernilai benar

Goal : menentukan apakah Z bernilai benar

Iterasi ke-1

Iterasi ke-2

Iterasi ke-3

Iterasi ke-4

Iterasi ke-5

Iterasi ke-6

Karena Goal Z ditemukan di database, maka proses pencarian dihentikan. Disini terbukti bahwa Z bernilai benar

Contoh kasus 2 backward chaining

Keputusan investasi A : Memiliki 100juta B : < 30 tahun C : Pendidikan Sarjana D : Pendapatan tahunan <=400juta E : Investasi di saham F : Investasi di saham pertumbuhan G : Investasi di saham IBM

Fakta yg diketahui: Seseorang memiliki 100juta dan berumur 25 tahun, ingin meminta saran apakah sebaiknya dia berinvestasi di saham IBM atau tidak

Rule yang diketahui adalah :

1. Jika memiliki 100 juta dan memiliki pendidikan sarjana maka cocok investasi di saham

2. jika pendapatan tahunan <=400juta dan pendidikannya sarjana maka cocok investasi di saham pertumbuhan

3. Jika umur < 30 tahun dan sudah Investasi di saham maka cocok investasi di sahan pertumbuhan

4. Jika umur < 30 tahun maka pasti pendidikannya sarjana

5. Jika investasi di saham pendidikan maka pasti juga investasi di saham IBM

Contoh Kasus 3 Diketahui sistem pakar mempunyai 10 Rule yang tersimpan pada

basis pengetahuannya sebagai berikut :

R1 : IF ( A AND B) THEN C

R2 : IF C THEN D

R3 : IF (A AND E) THEN F

R4 : IF A THEN G

R5 : IF (F AND G) THEN D

R6 : IF (G AND E) THEN H

R7 : IF (C AND H) THEN I

R8 : IF (I AND A) THEN J

R9 : IF G THEN J

R10 : IF J THEN K

Fakta awal yang diberikan adalah A & F, buktikan apakah K bernilai benar apabila proses inferensi dilakukan dengan cara backward chaining.