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)

MESIN INFERENSI
BASIS
PENGETAHUAN
(ATURAN)

AGENDA

FASILITAS
PENJELASAN

MEMORI
KERJA
(FAKTA)

FASILITAS
AKUISISI
PENGETAHUAN

ANTAR MUKA
PENGGUNA

Metode Inferensi
Runut

maju/forward chaining
Runut balik/backward chaining
Campuran

Runut Maju
Menggunakan himpunan aturan kondisiaksi
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 premispremis 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:
Premis1
Premis2
Premis3
Premis4
Premis5
Premis 6
Berdasarkan premis-premis
yang dipilih maka sistem
akan mencari aturan
yang sesuai, sehingga akan
diperoleh konklusinya

Pilihan User:
Premis1
Premis2
Premis3

Aturan 1

Konklusi 1

Pilihan User:
Premis1
Premis6

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 premispremis yang ditemukan tersebut.

Hipotesis Konklusi:
Konklusi 1

Jika ketiga premis dialami

user, maka konklusi 1
terbukti, jika tidak pindah
ke konklusi 2

Premis yang sesuai:

Premis 1
Premis 2
Premis 3

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.