backward chaining & forward...
TRANSCRIPT
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.