BAB I

PENDAHULUAN

1.1 Latar Belakang

Saat ini teknologi sudah berkembang sangat pesat sehingga

membawa manusia menjadi semakin maju. Salah satu contoh

kemajuan teknologi yang paling sering digunakan oleh manusia

yaitu komputer. Perkembangan-perkembangan teknologi juga

sudah memberikan dampak positif diberbagai bidang, salah

satunya dalam bidang pendidikan.

Kecerdasan Buatan merupakan salah satu matakuliah yang

terdapat dalam jurusan Teknik Informatika, Universitas

Uyelindo . Pada matakuliah ini terdapat materi yang terkait

dengan metode forward chaining dan backward chaining.

Banyak mahasiswa yang merasa kesulitan dalam menerima materi

tentang metode forward chaining dan backward chaining, sehingga

kesulitan dalam menerapkan metode tersebut.

Dari latar belakang di atas, maka penulis bermaksud untuk

menguraikan secara rinci metode Forward Chaining dan Backward

Chaining dalam Sistem Pakar.

1.2 Batasan Masalah

Berdasarkan latar belakang yang telah diuraikan

sebelumnya, maka permasalahan yang dapat diangkat adalah

1

bagaimana menerapakan Forward Chaining dan Backward Chaining

dalam bentuk Algoritma dan penjelasannya.

1.3 Rumusan Masalah

a. Apa itu Sistem Pakar?

b. Apa itu Motor atau Mesin Inferensi (Inference Engine)?

c. Apa itu Forward Chaining dan Backward Chaining?

2

BAB II

PEMBAHASAN

2.1 System Pakar

2.1.1 Definisi Sistem Pakar

Sistem pakar (expert systems) adalah sistem yang

berusaha mengapdosi pengetahuan manusia ke komputer, agar

komputer dapat menyelesaikan masalah seperti yang biasa

dilakukan oleh para ahli. Sistem pakar yang baik dirancang

agar dapat menyelesaikan suatu permasalahan tertentu dengan

meniru kerja dari para ahli.

Jadi sistem pakar kepakaran ditransfer dari seorang pakar

(atau sumber kepakaran yang lain) ke komputer, pengetahuan

yang ada disimpan dalam komputer, dan pengguna dapat

berkonsultasi pada komputer itu untuk suatu nasehat, lalu

komputer dapat mengambil inferensi (menyimpulkan, mendeduksi,

dll.) seperti layaknya seorang pakar, kemudian menjelaskannya

ke pengguna tersebut, bila perlu dengan alasan-alasannya.

3

Dengan sistem pakar, orang awam pun dapat menyelesaikan

masalah yang cukup rumit yang sebenarnya hanya dapat

diselesaikan dengan bantuan para ahli. Bagi para ahli, sistem

pakar juga akan membantu aktivitasnya sebagai asisten yang

sangat berpengalaman.

2.1.2 Strukur Sistem Pakar

Sistem pakar terdiri dari dua bagian pokok, yaitu

lingkungan pengembangan (development environment) dan lingkungan

konsultasi (consultation environment). Lingkungan pengembangan

digunakan sebagai pembangun sistem pakar baik dari segi

pembangun komponen maupun basis pengetahuan. Lingkungan

konsultasi digunakan oleh seseorang yang bukan ahli untuk

berkonsultasi.

2.1.3 Bentuk System Pakar

Berdiri sendiri.

Sistem pakar jenis ini merupakan software yang berdiri

sendiri tidak ergabung dengan software yang lainnya.

Tergabung.

4

Sistem pakar jenis ini merupakan bagian program yang

terkandung di dalam suatu algoritma (konvensional), atau

merupakan program dimana di dalamnya memanggil algoritma

subrutin lain (konvensianal).

Menghubungkan ke software lain.

Bentuk ini biasanya merupakan sistem pakar yang

menghubungkan ke suatu paket program tertentu, missal

dengan DBMS.

Sistem mengabdi.

Sistem pakar merupakan bagian dari komputer khusus yang

dihubungkandengan suatu fungsi tertentu. Misalnya sistem

pakar yang digunakan untuk membantu menganalisis data

radar.

2.2 Motor atau Mesin Inferensi ( Inference Engine)

Inference Engine adalah bagian yang menyediakan mekanisme

fungsi berfikir dan pola-pola penalaran sistem yang digunakan

oleh seorang pakar.

5

Mekanisme ini akan menganalisa masalah tertentu dan

selanjutnya akan mencari jawaban atau kesimpulan yang

terbaik.

Mesin ini akan dimulai pelacakannya dengan mencocokan

kaidah-kaidah dalam basis pengetahuan dengan fakta-fakta

yang ada dalam basis data.

Mesin inferensi berperan sebagai otak dari sistem pakar.

Mesin inferensi berfungsi untuk memandu proses penalaran

terhadap suatu kondisi, berdasarkan pada basis pengetahuan

yang tersedia. Di dalam mesin inferensi terjadi proses untuk

memanipulasi dan mengarahkan kaidah, model, dan fakta yang

disimpan dalam basis pengetahuan dalam rangka mencapai solusi

atau kesimpulan. Dalam prosesnya, mesin inferensi menggunakan

strategi penalaran dan strategi pengendalian. Strategi

penalaran terdiri dari strategi penalaran pasti (Exact

Reasoning) dan strategi penalaran tak pasti (Inexact

Reasoning). Exact reasoning akan dilakukan jika semua data

yang dibutuhkan untuk menarik suatu kesimpulan tersedia,

sedangkan inexact reasoning dilakukan pada keadaan

6

sebaliknya.

Strategi pengendalian berfungsi sebagai panduan arah dalam

melakukan prose penalaran. Terdapat tiga tehnik pengendalian

yang sering digunakan, yaitu forward chaining, backward

chaining, dan gabungan dari kedua tehnik pengendalian

tersebut.

2.3 Metode Inferensi

2.3.1 Tree (pohon) dan Graph

Tree (pohon) adalah suatu hierarki struktur yang terdiri

dari Node (simpul/veteks) yang menyimpan informasi atau

pengetahuan dan cabang (link/edge) yang menghubungkan node.

Binary tree mempunyai 0,1 atau 2 cabang per-node.

Node tertinggi disebut root

Node terendah disebut daun

7

Tree merupakan tipe khusus dari jaringan semantic, yang

setiap nodenya kecuali akar, mempunyai satu node orang tua

dan mempunyai nol atau lebih node anak.

Tree adalah kasus khusus dalam Graph

Graph dapat mempunyai nol atau lebih link di antara node dan

tidak ada perbedaan antara orangtua dan anak.

Dalam graph, link dapat ditunjukkan berupa panah atau arah

yang memadukan node dan bobot yang merupakan karakteristik

beberapa aspek dari link.

Beberapa contoh graph sederhana:

8

Graph asiklik adalah graph yang tidak mengandung siklus. Graph

dengan link berarah disebut digraph.

Graph asiklik berarah disebut lattice. Tree yang hanya dengan

path tunggal dari akar untuk satu daun disebut degenerate tree.

Aplikasi tree dan lattice adalah pembuatan keputusan disebut

decision tree dan decision lattice.

Contoh : decision tree yang menunjukkan pengetahuan tentang

hewan.

9

Aturan produksi (IF…THEN…) dari contoh di atas :

JIKA pertanyaan=”Apakah dia bertubuh besar ?”

DAN jawaban=”Tidak”

MAKA pertanyaan=”Apakah dia mencicit?”

JIKA pertanyaan=”Apakah dia bertubuh besar ?”

DAN jawaban=”Ya”

MAKA pertanyaan=”Apakah dia mempunyai leher

panjang?” dst……

2.4 Pohon AND-OR dan Tujuan

Banyak tipe system pakar menggunakan backward chaining

untuk mendapatkan solusi dari permasalahan. Salah satu

10

LULUS Sid.Sarjana

Persyaratan

SKS = 160IPK >=2.0

Lulus

KURSUS WORKSHOP

LULUS D3

tipe dari tree atau lattice yang digunakan dalam

masalah representasi backward chaining adalah Pohon AND-

OR.

contoh :

2.5 Penalaran Deduktif dan Silogisme

- Tipe-tipe Inferensi

11

o Deduction

Pemberian alasan logikal dimana kesimpulan harus

mengikuti premis

o Induction

Inferensi dari khusus ke umum

o Intuition

Tidak ada teori yg menjamin. Jawabannya hanya muncul,

mungkin dengan penentuan pola yg ada secara tidak

disadari.

o Heuristic

Aturan yg didasarkan pada pengalaman

o Generate & Test

Trial dan error. Digunakan dgn perencanaan.

o Abduction

Pemberian alasan kembali dari kesimpulan yg benar ke

premis .

o Default

Diasumsikan pengetahuan umum sebagai default

12

o Autoepistemic

Self-knowledge

o Nonmonotonic

Pengetahuan yg sebelumnya mungkin tdk benar jika

bukti baru didapatkan

o Analogy

Kesimpulan yg berdasarkan pada persamaan untuk

situasi yg lainnya.

- Suatu logika argument adalah kumpulan dari pernyataan-

pernyataan yang dinyatakan untuk dibenarkan sebagai

dasar dari rantai penalaran.

- Salah satu jenis logika argunen adalah Silogisme.

- Contoh :

Premis :Siapapun yang dapat membuat program

:adalah pintar

Premis : John dapat membuat program

Konklusi : Oleh karenanya John adalah pintar

13

Proses deduktif pada contoh di atas bergerak dari

prinsip umum menuju konklusi khusus.

- Penalaran deduktif umumnya terdiri dari tiga bagian :

premis mayor, premis minor dan konklusi.

- Premis disebut juga antecedent

- Konklusi/kesimpulan disebut juga consequent

- Silogisme dapat direpresentasikan ke dalam bentuk aturan

JIKA…..MAKA….. (IF…THEN…..), contoh :

JIKA siapapun yang dapat membuat program adalah pintar

DAN John dapat membuat program

MAKA John adalah pintar

- Silogisme klasik disebut categoricall syllogism (silogisme

yang pasti)

- Premis dan konklusi didefinisikan sebagai statement yang

pasti dari empat bentuk berikut :

Bentuk Skema Arti

A Semua S adalah P Universal Afirmative

14

E Tidak S adalah P Universal Negative

I Beberapa S adalah P Particular Afirmative

O Beberapa S bukan P ParticularNegative

- Subjek dari konklusi S disebut bagian minor bila

predikat konklusi P adalah bagian mayor.

- Premis terdiri dari premis mayor dan premis minor.

- Contoh :

Premis mayor : Semua M adalah P

Premis minor : Semua S adalah M

Konklusi : Semua S adalah P

Silogisme di atas adalah bentuk standar karena premis

mayor dan minor sudah diketahui.

Contoh :

“Semua mikrokomputer adalah computer”

Subjeknya (objek yang digambarkan) adalah mikrokomputer.

15

Predikatnya (beberapa sifat subjek) adalah computer

- M (middle term) adalah hal yang penting karena silogisme

didefinisikan sedemikian sehingga konklusi tidak dapat

disimpulkan dengan mengambil salah satu premis.

- Q (quantifier) menggambarkan porsi dari kelas yang

diketahui.

o Quantifier “semua” dan “tidak” adalah universal

karean menunjukkan keseluruhan kelas.

o “beberapa” adalah khusus (particular) karena hanya

menunjukkan satu bagian dari kelas yang diketahui.

- Mood dari silogisme didefinisikan sebagai tiga huruf

yang memberikan bentuk masing-masing premis mayor, minor

dan konklusi.

Contoh :

Semua M adalah P

Semua S adalah M

Semua S adalah P

16

menunjukkan suatu mood AAA-1

- Ada 4 kemungkinan pola susunan istilah S, P dan M :

Figure

1

Figure

2

Figure

3

Figure 4

Premis Mayor MP PM MP PM

Premis Minor SM SM MS MS

- Tidak selalu argument yang mempunyai bentuk silogisme

merupakan silogisme yang valid.

- Contoh : Silogisme tidak valid berbentuk AEE-1

Semua M adalah P

Tidak S adalah M

Tidak S adalah P

Semua mikrokomputer adalah computer

Bukan mainframe adalah mikrokomputer

Bukan mainframe adalah computer

17

- Diperlukan prosedur keputusan (decision procedure) untuk

pembuktian validitas.

- Prosedur keputusan untuk silogisme dapat dilakukan

menggunakan diagram venn tiga lingkaran yang saling

berpotongan yang merepresentasikan S,P, M.

- Contoh : Prosedur Keputusan untuk AEE-1

Semua M adalah P

Tidak S adalah M

Tidak S adalah

P

- Contoh : Prosedur Keputusan untuk EAE-1

18

a.Diagram Venn b. Setelah Premis

Mayor

c. Setelah Premis

Tidak M adalah P

Semua S adalah M

Tidak S adalah P

2.6 Forward Chaining dan Backward Chaining

Chain (rantai) : perkalian inferensi yang menghubung-kan

suatu permasalahan dengan solusinya.

2.6.1 Forward chaining :

Suatu rantai yang dicari atau dilewati/dilintasi dari

suatu permasalahn untuk memperoleh solusi.

Penalaran dari fakta menuju konklusi yang terdapat dari

fakta.

2.6.2 Backward chaining :

19

a. Diagram Venn b. Setelah Premis

c. Setelah Premis

Suatu rantai yang dilintasi dari suatu hipotesa kembali

ke fakta yang mendukung hipotesa tersebut.

Tujuan yang dapat dipenuhi dengan pemenuhan sub

tujuannya.

- Contoh rantai inferensi :

gajah(x) mamalia (x)

mamalia(x) binatang(x)

Causal (sebab-akibat) Forward chain

gajah(clyde)

gajah(x) mamalia(x)

mamalia(x) binatang(x)

binatang(clyde)

Explicit Causal chain

gajah(clyde)

gajah(clyde) mamalia(clyde)

20

unifikasi

implikasi mamalia(clyde)

mamalia(clyde)

unifikasi

implikasi

Karakteristik Forward dan Backward chaining

Forward chaining Backward chaining

Perencanaan, monitoring,

kontrol

Diagnosis

Disajkan untuk masa depan Disajikan untuk masa lalu

Antecedent ke konsekuen Konsekuen ke antecedent

Data memandu, penalaran

dari bawah ke atas

Tujuan memandu, penalaran

dari atas ke bawah

Bekerja ke depan untuk

mendapatkan solusi apa

yang mengikuti fakta

Bekerja ke belakang untuk

mendapatkan fakta yang

mendukung hipotesis

Breadth first search dimudahkan Depth first search dimudahkan

21

Antecedent menentukan

pencarian

Konsekuen menentukan

pencarian

Penjelasan tidak

difasilitasi

Penjelasan difasilitasi

Forward Chaining

22

Backward Chaining

23

24

BAB III

PENUTUP

3.1 Kesimpulan

Berdasarkan pemaparan di atas dapat disimpulkan bahwa:

a. Mesin Inferensi dalam sistem pakar (Forward

Chaining dan Backward Chaining) digunakan untuk

mencari sebuah masalah sehingga memberikan

kemudahan bagi orang-orang untuk mencari penyebab

masalah tersebut.

b. Metode Forward Chaining dan Backward Chaining

merupakan implementasi dari pembangunan sistem

pakar untuk keputusan pencarian sebuah masalah’

c. Memerlukan seorang yang ahli dalam mengambil

keputusan pencarian masalah. Sistem pakar tidak

akan selalu benar, tergatung pada sumber

informasinya.

4.1 Saran

25

Masih diperlukan akuisisi pengetahuan yang lebih detail

dan mendalam untuk meyempurnakan kedua metode Forward

Chaining dan Backward Chaing dalam pengambilan keputusan

pencarian masalah, sehingga dapat juga untuk mendesain sistem

pencarian yang lebih rumit.

Makalah ini masih perlu ditambah dengan mekanisme

pembelajaran,

agar proses penarikan kesimpulan menjadi lebih fleksibel dan

konsisten.

DAFTAR PUSTAKA

http://wongkidu.wordpress.com/beranda/makalah-sistem-

pakar-3/

http://www.google.com/url?

sa=t&rct=j&q=&esrc=s&source=web&cd=5&cad=rja&ved=0CFEQFj

AE&url=http%3A%2F%2Fpublisherindo.blogspot.com

%2F2012%2F08%2Fmesin-inferensi-

adalah.html&ei=gtmaUfa0M8rZrQeI7oHwDA&usg=AFQjCNEWdmnJxm

26

nQ0aP9M_MT0xFLf6aIMg&sig2=coqqPloB2vLjCc5pofITvA&bvm=bv.

46751780,d.bmk

http://www.google.com/url?

sa=t&rct=j&q=&esrc=s&source=web&cd=2&ved=0CDEQFjAB&url=h

ttp%3A%2F%2Frepository.usu.ac.id%2Fbitstream

%2F123456789%2F23487%2F5%2FChapter

%2520I.pdf&ei=U9iaUYHPC8iVrgf014DYCw&usg=AFQjCNHWjz_bdz_

ET1EnIj9Ff0d3syiesg&sig2=FDghd4LK0F2FI9uXzwj9kQ&bvm=bv.4

6751780,d.bmk

27