MESIN Interferensi Forward Chaining dan Backward Chaining

Mesin Inferensi (Inference engine) merupakan pusat pengambilan keputusan pada Sistem Pakar dengan penyesuaian fakta-fakta pada memori dengan basis pengetahuan untuk mendapatkan kesimpulan dan jawaban. Inference engine merupakan otak dan pemikir dari suatu Sistem Pakar. Dalam inference engine ini sistem melakukan suatu penalaran yang dilandasi oleh basis pengetahuan (didapat dari pakar) yang dimiliki sistem sehingga menghasilkan sebuah keputusan.

Proses penalaran ada dua macam dan biasanya lebih disebut dengan proses chaining (forward chaining dan backward chaining). Kedua metode ini mempunyai kelebihan tersendiri, semuanya itu tergantung terutama dari kondisi permasalahan yang dihadapi dan basis pengetahuan.

Ada dua metode inferensi yang dapat digunakan, yaitu:

• Forward Chaining

Forward chaining merupakan metode inferensi yang melakukan penalaran dari suatu masalah kepada solusinya. Jika klausa premis sesuai dengan situasi (bernilai TRUE), maka proses akan menyatakan konklusi. Forward chaining adalah data-driven karena inferensi dimulai dengan informasi yang tersedia dan baru konklusi diperoleh. Jika suatu aplikasi menghasilkan tree yang lebar dan tidak dalam, maka gunakan forward chaining.

Contoh :

Terdapat 10 aturan yang tersimpan dalam basis pengetahuan yaitu :

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 hanya A dan E, ingin membuktikan apakah K bernilai benar. Proses penalaran forward chaining terlihat pada gambar dibawah :

Gambar Forward Chaining

• Backward Chaining

Menggunakan pendekatan goal-driven, dimulai dari harapan apa yang akan terjadi (hipotesis) dan kemudian mencari bukti yang mendukung (atau berlawanan) dengan harapan kita. Sering hal ini memerlukan perumusan dan pengujian hipotesis sementara. Jika suatu aplikasi menghasilkan tree yang sempit dan cukup dalam, maka gunakan backward chaining.

Contoh :

Seperti pada contoh forward chining, terdapat 10 aturan yang sama pada basis pengetahuan dan fakta awal yang diberikan hanya A dan E. ingin membuktikan apakah K bernilai benar. Proses penalaran backward chaining terlihat pada gambar berikut :

Gambar Backward Chaining

Contoh KASUS  Sistem Pakar Penasehat Keuangan

Kasus : user ingin berkonsultasi apakah tepat jika dia berinvestasi pada stock IBM?

Variabel-variabel yang digunakan:

A = memiliki uang $10.000 untuk investasi

B = berusia < 30 tahun

C = tingkat pendidikan pada level college

D = pendapatan minimum pertahun $40.000

E = investasi pada bidang Sekuritas (Asuransi)

F = investasi pada saham pertumbuhan (growth stock)

G = investasi pada saham IBM

Setiap variabel dapat bernilai TRUE atau FALSE

FAKTA YANG ADA:

§ Diasumsikan si user (investor) memiliki data:

o Memiliki uang $10.000 (A TRUE)

o Berusia 25 tahun (B TRUE)

§ Dia ingin meminta nasihat apakah tepat jika berinvestasi pada IBM stock?

RULES

R1 : IF seseorang memiliki uang $10.000 untuk berinvestasi AND dia berpendidikan pada level college THEN dia harus berinvestasi pada bidang sekuritas

R2 : IF seseorang memiliki pendapatan per tahun min $40.000 AND dia berpendidikan pada level college THEN dia harus berinvestasi pada saham pertumbuhan (growth stocks)

R3 : IF seseorang berusia < 30 tahun AND dia berinvestasi pada bidang sekuritas THEN dia sebaiknya berinvestasi pada saham pertumbuhan

R4 : IF seseorang berusia <> 22 tahun THEN dia berpendidikan college

R5 : IF seseorang ingin berinvestasi pada saham pertumbuhan THEN saham yang dipilih adalah saham IBM.

Rule simplification:

– R1: IF A and C, THEN E

– R2: IF D and C, THEN F

– R3: IF B and E, THEN F

– R4: IF B, THEN C

– R5: IF F, THEN G

Solusi dengan Forward Chaining :

Step I : IF A and C Then E = R1

Step II : IF B then C A,B,C -> True = R4

Step III : If A and C then E A,B,C -> True = R2

Step IV : If B ad E then F A,B,C,E,F -> true = R3

step V : if F then G. G->True

kesimpulan : Cocok untuk investasi saham IBM

Sumber:

Catatan :

Aritkel ini berisi tentang penjelasan tentang mesi interferensi (Forward Chaining dan Backward Chaining) dan contoh-contoh penggunaannya.