SISTEM PRODUKSI atau KAIDAH PRODUKSI

Paling populer (sejak tahun 1943 oleh Post, 1957-oleh Chomsky, 1972 oleh Alan

Newell)

Kaidah produksi menjadi acuan yang sering digunakan oleh sistem inferensi, sistem

berbasis kaidah dan dalam kasus penyelesaian masalah tingkah laku manusia,

maupun dalam produksi sederhana.

DEFINISI SISTEM PRODUKSI/KAIDAH PRODUKSI

Pengetahuan dalam sistem produksi direpresentasikan oleh himpunan kaidah dalam

bentuk :

IF [kondisi] THEN [aksi]

Kontrol sistem memberikan aturan penerjemahan dan pengurutan.

Basis data beraksi sebagai konteks cadangan untuk record yang kondisinya dievaluasi

oleh kaidah dan informasi dimana kaidah akan beraksi.

Kaidah produksi juga sering digambarkan dengan pasangan-pasangan : kondisi-aksi,

anteceden-konsequent, pola-aksi, situasi-responsi.

Contoh :

IF temperatur > 30 C THEN hidupkan AC

IF permintaan meningkat AND persediaan menipis THEN pemesanan barang

IF pelamar <= 25 OR lulusan komputer THEN bisa diterima menjadi pegawai

KAIDAH PENGETAHUAN dan KAIDAH INFERENSI

• Ada 2 tipe kaidah yang umum dalam AI, yaitu kaidah pengetahuan dan kaidah

inferensi.

• Kaidah pengetahuan atau kaidah deklaratif : menyatakan semua fakta dan

hubungan tentang suatu permasalahan.

• Kaidah inferensi atau kaidah prosedural : merupakan nasehat atau saran tentang

bagaimana menyelesaikan suatu masalah yang diberikan dengan fakta tertentu

yang diketahui.

• Kaidah pengetahuan menjadi basis pengetahuan, kaidah inferensi menjadi bagian

dari mesin inferensi.

CONTOH KAIDAH PENGETAHUAN

Misalnya Anda seorang pebisnis dari penjualan dan pembelian emas. Kaidah

pengetahuannya :

Kaidah 1 IF konflik internasional dimulai THEN harga emas naik.

Kaidah 2 IF tingkat inflasi mengalami kemunduran THEN harga emas turun.

Kaidah 3 IF konflik internasional berlangsung selama lebih dari 7 hari AND IF

konflik ini terjadi di Timur Tengah THEN beli emas.

CONTOH KAIDAH INFERENSI

Kaidah 1 IF data dibutuhkan tidak dalam sistem THEN permintaannya dari

pengguna.

Kaidah 2 IF lebih dari satu kaidah digunakan THEN nonaktifkan kaidah sembarang

yang tidak menambah data baru.

Kaidah inferensi berisi kaidah tentang kaidah metarule

KEUNTUNGAN PENGGUNAAN KAIDAH

Mudah dimengerti mudah disampaikan

Inferensi dan penjelasan mudah diperoleh atau diturunkan.

Modifikasi dan perawatan relatif lebih mudah.

Ketidakpastian lebih mudah dikombinasikan dengan kaidah.

Setiap kaidah sering saling independen dari semua kaidah.

KEKURANGAN PENGGUNAAN KAIDAH

Pengetahuan yang kompleks membutuhkan beribu-ribu kaidah, yang mungkin agak

sukar membuatnya, baik untuk menggunakan sistem maupun perawatannya.

Sistem dengan banyak kaidah mungkin mempunyai batasan pencarian dalam kontrol

program. Beberapa program mempunyai kesulitan dalam mengevaluasi sistem

berbasis kaidah dan membuat inferensi.

KELEBIHAN SISTEM PRODUKSI

Expressiveness dan intuitiveness kaidah-kaidah produksi secara esensial

menyatakan apa yang dilakukan dalam situasi tertentu.

Simplicity Struktur seragam dari sintaks IF ..THEN dalam sistem berbasis kaidah

memberikan suatu kesederhanaan yang menarik untuk representasi pengetahuan.

Ciri ini meningkatkan suatu keadaan yang dapat dibaca dari kaidah produksi dan

komunikasi antara berbagai bagian dari program tunggal.

Modularity dan Modifiability Kaidah produksi mengkodekan bentuk diskret

informasi yang secara umum tidak berhubungan dengan kaidah produksi yang lain,

kecuali jika ada suatu kaidah produksi eksplisit yang menghubungkan mereka.

Informasi dapat dihapus atau ditambah dari sistem asalkan tidak mengakibatkan

efek samping yang mengganggu. Ciri modular sistem produksi menunjukkan

kenaikan perbaikan dan setelan yang bagus dari sistem produksi dengan tidak

mengalami pengurangan kinerja.

Knowledge Intensive (Pengetahuan Intensif) Basis pengetahuan disusun dari

kaidah produksi yang pada gilirannya sangat utama adalah pengetahuan murni,

karena membutuhkan isi, bukan kontrol ataupun informasi pemrograman. Karena

setiap kaidah produksi ekuivalen untuk suatu ringkasan dan kejelasan kalimatnya

maka masalah semantik diselesaikan dengan struktur representasi.

METODE INFERENSI

• Inferensi merupakan suatu proses untuk menghasilkan informasi dari fakta yang

diketahui.

• Inferensi adalah konklusi logis atau implikasi berdasarkan informasi yang tersedia.

• Dalam sistem pakar, proses inferensi dilakukan dalam suatu modul yang disebut

inference engine.

• Ketika representasi pengetahuan pada bagian knowledge base telah lengkap, atau

paling tidak telah berada pada level yang cukup akurat, maka representasi

pengetahuan tersebut telah siap digunakan.

METODE FORWARD CHAINING

• Suatu rantai yang dicari atau dilewati/dilintasi dari suatu permasalahan untuk

memperoleh solusi.

• Penalaran dari fakta menuju konklusi yang terdapat dari fakta.

• Forward Chaining disebut juga penalaran dari bawah ke atas, karena penalaran dari

fakta (evidence) pada level bawah menuju konklusi pada level atas didasarkan pada

fakta.

• Forward Chaining biasanya digunakan dalam melakukan suatu diagnosis.

KONSEP DASAR FORWARD CHAINING

Conclusion

Infered Fact

A B C D E F G

R1

R5

R2

R6

R8

R3 R4

R7

R9

H

H

H

I I K

I

RN Rule NGiven Fact

Infered Fact

Missing Fact

Applicable Rule

Inapplicable Rule

Facts

PENGGUNAAN YANG BAIK DARI FORWARD CHAINING

Penggunaan yang baik untuk forward chaining terjadi jika pohon/diagram pohon

melebar dan tidak dalam.

Hal ini karena forward chaining memudahkan pencarian “breadth first”.

Forward chaining baik jika pencarian untuk konklusi berproses level ke level.

CONTOH FORWARD CHAINING

Jika diketahui kaidah tipe IF...THEN berikut :

IF A then B

IF B then C

IF C then D

Jika fakta A diketahui dan mesin inferensinya dirancang untuk mencocokkan fakta

melawan antecedent, maka fakta selanjutnya, B dan C akan dinyatakan konklusinya adalah

D. proses forward chaining.

METODE BACKWARD CHAINING

Backward chaining atau pelacakan mundur merupakan pencocokan fakta atau

pernyataan yang dimulai dari sekumpulan hipotesis menuju fakta yang mendukung

hipotesis tersebut.

Backward chaining merupakan proses KEBALIKAN dari Forward Chaining.

KONSEP DASAR BACKWARD CHAINING

• Pada gambar di atas , merupakan urutan pemecahan atau penyangkalan hipotesis H,

paling sedikit satu dari hipotesis lanjut H1. Jadi H2 dan H3 yang harus dibuktikan.

• Pada gambar juga ditunjukkan sebuah pohon AND-OR untuk menunjukkan bahwa

beberapa kasus seperti H2 dimana semua hipotesis di level paling bawah harus

ditampilkan untuk mendukung H2.

• Untuk hipotesis paling atas, yaitu H, hanya membutuhkan satu hipotesis pada level

paling bawah.

• Dalam backward chaining, sistem akan secara umum memperoleh fakta dari

pengguna untuk membantu dalam pembuktian atau penyangkalan hipotesis.

PENGGUNAAN YANG BAIK DARI BACKWARD CHAINING

Penggunaan yang baik untuk backward chaining terjadi jika pohon/diagram pohon

menyempit dan dalam.

Hal ini karena backward chaining memudahkan pencarian “depth first”.

A B C D E

H1

H4 H5 H6

H2 H3

H

Evidence (Facts)

Intial Hypotheses (Goal)

Intermediate

Hypotheses (subgoal)

Elicited Evidence

(externally supplied)

Missing Evidence

True Hypotheses

False Hypotheses

CONTOH BACKWARD CHAINING

Backward Chaining dapat diselesaikan dalam forward chaining dan sebaliknya,

dengan merancang kembali kaidah-kaidahnya.

Contoh :

Jika D maka C

Jika C maka B

Jika B maka A

C dan B dianggap sebagai hipotesis sementara yang harus dipenuhi untuk memenuhi

hipotesis D.

Fakta A merupakan fakta yang menunjukkan akhir dari generasi sub tujuan atau

hipotesis sementara tadi.

Jika ada suatu fakta A maka D didukung dan dianggap benar di bawah rangkaian

inferensi dengan backward chaining.

KARAKTERISTIK FORWARD CHAINING DAN BACKWARD CHAINING

KESULITAN FORWARD CHAINING dan BACKWARD CHAINING

1. Masalah EFISIENSI.

Backward Chaining memudahkan pencarian depth first.

Forward Chaining memudahkan pencarian breadth first.

Backward chaining dapat diselesaikan dalam forward chaining, dan sebaliknya, tapi sistem

tersebut tidak akan efisien dalam hal pencarian penyelesaiannya.

2. Masalah Konseptual

Pengetahuan diperoleh dari pakar yang harus diubah untuk mengimbangi

permintaan dari mesin inferensi.