Analisa Efektifitas Metode Forward Chain Db3e33df
Analisa Efektifitas Metode Forward Chain Db3e33df
1 Maret 2017 35
Abstract — The use of forward-chaining and penulis akan menganalisa kefektifan kedua
backward-chaining in expert system is something metode tersebut dengan melakukan
usual. Where forward-chaining is a data-driven perbandingan metode-metode tersebut pada satu
algorithm, while backward-chaining is goal-driven. kasus sistem pakar.
Both methods are usually used for reasoning. Here,
the writer will analyze effective the both method in BAHAN DAN METODE
their using for expert system.
Artificial Intelligent
Intisari — Penggunaan algoritma forward- Selama ribuan tahun, kita telah mencoba
chaining dan backward-chaining pada sistem untuk memahami bagaimana cara kita berpikir,
pakar adalah hal yang umum. Dimana proses yaitu bagaimana segelintir materi dapat melihat,
metode forward chaining adalah data-driven, memahami, memprediksi, dan memanipulasi
sedangkan metode backward chaining adalah dunia yang lebih besar dan lebih rumit dari
goal-driven. Kedua metode tersebut umumnya dirinya sendiri. Bidang artificial intelligent (AI)
digunakan untuk pencarian dengan kriteria masih lebih jauh lagi, AI bukan hanya mencoba
tertentu (reasoning). Disini penulis akan untuk memahami akan tetapi untuk membuat
menganalisa sejauh mana efektifitas kedua entitas yang pintar. (Russel & Norvig, 2010).
metode tersebut dalam penggunaannya pada Artificial Intelligent kadang kala juga disebut juga
sistem pakar. kecerdasan mesin atau pemrograman heuristis,
adalah teknologi yang muncul yang belakangan
Kata kunci: Backward-chaining, Forward- ini menarik publisitas. Banyak aplikasi yang
chaining, Sistem pakar. sekarang ini sedang dikembangkan. Salah satu
hal yang terlihat dari bidang ini adalah bahwa AI
PENDAHULUAN menekankan kepada bagaimana mebuat program
komputer menjadi lebih pintar (Hunt, 1986).
Dalam pembuatan program system pakar, Dalam bukunya Russel dan Norvig membagi
algoritma memiliki kedudukan yang penting, definisi AI menjadi empat kategori, yaitu;
bahkan menjadi jantung dari sistem tersebut. Thinking Humanly; suatu usaha yang luar
Algoritma system pakar berbeda dengan biasa untuk membuat bagaimana sebuah
algoritma system pada umumnya. Dalam system mesin dapat berpikir seperti layaknya
pakar diperlukan suatu Inference Mechanism manusia.
(mekanisme inferensi). Mekanisme inferensi Acting Humanly; sebuah seni dari membuat
adalah suatu algoritma yang tidak bergantung sebuah mesin yang menjalankan fungsi yang
pada suatu masalah tertentu yang digunakan membutuhkan kecerdasan apabila
untuk menentukan kesimpulan-kesimpulan atau dilaksanakan oleh manusia.
menjalankan tindakan-tindakan menggunakan Thinking Rationally; sebuah kajian tentang
knowledge base (dasar pengetahuan). komputasi yang membuatnya menjadi mampu
Mekanisme inferensi yang biasa digunakan mempersepsikan, berpikir dan bertindak.
untuk system pakar yang bertujuan mencari Acting Rationally; adalah suatu kajian dari
jawaban dari beberapa kriteria atau dalam merancang agen (mesin) yang cerdas.
terminology artificial intelegence disebut sebagai
Horn clause – yang merupakan pemisahan dari Expert System (Sistem Pakar)
literal-literal yang paling benar, adalah forward Selama beberapa dekade terakhir, Sistem
chaining dan backward chaining. Meskipun masih Pakar telah menjadi aplikasi praktek yang utama
banyak metode-metode yang lain, namun kedua dari riset AI. Dewasa ini, ada banyak system yang
metode inilah yang paling mudah digunakan. berguna dalam hampir setiap bidang operasional
Tetapi sejauh manakah kedua metode tersebut diseluruh dunia. Mulai dari gadget sederhana
efektif diterapkan dalam system pakar? Disini seperti handphone sampai robot-robot dalam
ISSN 1978 – 1946 & E-ISSN 2527 – 6514 | Analisa Efektifitas Metode…
36 Jurnal Pilar Nusa Mandiri Volume 13 No.1 Maret 2017
industri manufaktur dan medis. Menurut F. (data-driven) yaitu, pemikiran yang mana focus
Bobillo dalam Al Ajlan, Sistem Pakar adalah perhatiannya dimulai dari data yang diketahui.
program-program yang memberi saran secara Forward-chaining bisa digunakan didalam agen
otomatis yang mencoba untuk meniru proses- untuk menghasilkan kesimpulan dari persepsi-
proses berpikir dan pengetahuan dari ahli-ahli persepsi yang datang, seringkali tanpa query
untuk meraih sasaran dari masalah tertentu yang spesifik.
(Ajlan, 2015). Sebuah Sistem Pakar adalah
program computer yang cerdas yang Algoritma Forward Chaining
menggunakan pengetahuan dan prosedur Berikut ini adalah algoritma dari metode
inferensi untuk menyelesaikan masalah-masalah forward-chaining:
yang cukup sulit sehingga membutuhkan function PL-FC-ENTAILS? (KB, Q) returns True
kepakaran manusia untuk solusinya (Hunt, or False
1986). inputs: KB, the knowledge base, a set of
propositional definite clauses q, the
Metode Forward Chaining query, a proposition symbol
Algoritma forward-chaining adalah satu count a table, where count( e] is the
dari dua metode utama reasoning (pemikiran) number of symbols in c's premise
ketika menggunakan inference engine (mesin inferred a table, where inferred[s] is
pengambil keputusan) dan bisa secara logis initially false for all symbols
dideskripsikan sebagai aplikasi pengulangan dari agenda a queue of symbols, initially
modus ponens (satu set aturan inferensi dan symbols known to be true in KB
argumen yang valid). Lawan dari forward-
chaining adalah backward-chaining. while agenda is not empty do
Forward-chaining mulai bekerja dengan p PoP(agenda)
data yang tersedia dan menggunakan aturan- if p = q then return true
aturan inferensi untuk mendapatkan data yang if inferred[p]= false then
lain sampai sasaran atau kesimpulan didapatkan. inferred[p] true
Mesin inferensi yang menggunakan forward- for each clause c in KB where p
chaining mencari aturan-aturan inferensi sampai is in c.PREMISE do
menemukan satu dari antecedent (dalil hipotesa decrement count[c]
atau klausa IF - THEN) yang benar. Ketika aturan if count[c] = 0 then
tersebut ditemukan maka mesin pengambil add
keputusan dapat membuat kesimpulan, atau c.CONCLUSION to agenda
konsekuensi (klausa THEN), yang menghasilkan return false
informasi tambahan yang baru dari data yang
disediakan. Mesin akan mengulang melalui
proses ini sampai sasaran ditemukan. Jika algoritma diatas ditransformasikan dalam
Forward-chaining adalah contoh konsep umum bentuk flow chart adalah seperti gambar 1.
dari pemikiran yang dikendalikan oleh data
Gambar 1. Flow chart forward chaining (Sharma, Tiwari, & Kelkar, 2012)
ISSN 1978 – 1946 & E-ISSN 2527 – 6514 | Analisa Efektifitas Metode…
Jurnal Pilar Nusa Mandiri Volume 13 No.1 Maret 2017 37
function FOL-BC-ASK(KB, query) returns a generator of substitutions return FOL-BC-OR ( KB, query,
F)
ISSN 1978 – 1946 & E-ISSN 2527 – 6514 | Analisa Efektifitas Metode…
38 Jurnal Pilar Nusa Mandiri Volume 13 No.1 Maret 2017
Dengan backward-chaining:
Jagung ini dihinggapi lalat hitam, karena itu X
jagung ini pasti tumbuh ditanah yang tidak subur,
karena itu tanahnya pasti rendah kandungan
nitrogen.
Y
Reasoning;
Ada masalah dengan jagung ini.
Mungkin jagung ini dihinggapi lalat hitam. Gambar 3. Pohon Pakar
Jika iya, maka jagung ini pasti tumbuh ditanah
yang tidak subur. Sedangkan fakta yang diketahui adalah: L, Q, D, P,
Jika iya, pasti tanahnya rendah kandungan C
nitrogen. Proses dengan metode forward-chaining:
Maka uji kandungan nitrogen pada tanah, Fact: L
maka kita akan tahu apakah benar A, B => L Precedent: A,B + L
masalahnya adalah lalat hitam pada jagung. YES
Bagaimana cara kerja metode backward-
chaining?
Proses dikendalikan oleh tujuan (goal-driven)
System memiliki tujuan, mekanisme inferensi
berusaha mencari faktu untuk
membuktikannya
ISSN 1978 – 1946 & E-ISSN 2527 – 6514 | Analisa Efektifitas Metode…
Jurnal Pilar Nusa Mandiri Volume 13 No.1 Maret 2017 39
Q Q
P
P
4 3
D L M
D L M
A B C
A B C
1 2
1 2
X
Q
Gambar 5. Proses Fakta D
Fact: P
P
A, B => L Precedent: A,B + L
A, B, L => D Precedent: L,A + D
NO
3
Fact: C
D L M
A, B => L Precedent: A,B + L
A, B, L => D Precedent: L,A + D
NO
A B C
Proses dengan metode Backward-chaining:
1 2 Fact: L
L : L <= A,B : A, B
X A : A : None
B : B : None
YES
Y
Fact: Q
A, B => L Precedent: A,B + L
A, B, L => D Precedent: L,A + D
NO
Fact: D
A, B => L Precedent: A,B + L
A, B, L => D Precedent: L,A + D
YES
ISSN 1978 – 1946 & E-ISSN 2527 – 6514 | Analisa Efektifitas Metode…
40 Jurnal Pilar Nusa Mandiri Volume 13 No.1 Maret 2017
Fact: D
Q D : D <= L,A : L, A
L : L <= A,B : A, B
A : A : None
P B : B : None
A : A : None
YES
1
Q
D L M
A B C 1
D L M
X
A B C
Y
X
Y
Q
Q
P
P
1 1 2
D L M
D L M
A B C
A B C 3
3 X
2
X
Y
Q
Y
P
Gambar 6. Fakta L
Fact: Q 1 2
Q : Q <= P : P
D L M
P : P <= L,M : L, M
L : L <= A,B : A, B
A : A : None
B : B : None A B C
M : M <= B,C : B, C 3/5 4
B : B : None X
C : C <= Q : Q
Q : CYCLE DETECTED : None
C : C <= X : X Y
X : X <= Y : Y
Y : None Gambar 7. Fakta D
NO
ISSN 1978 – 1946 & E-ISSN 2527 – 6514 | Analisa Efektifitas Metode…
Jurnal Pilar Nusa Mandiri Volume 13 No.1 Maret 2017 41
ISSN 1978 – 1946 & E-ISSN 2527 – 6514 | Analisa Efektifitas Metode…
42 Jurnal Pilar Nusa Mandiri Volume 13 No.1 Maret 2017
REFERENSI
Paper Ilmiah yang pernah di hasilkan
Ajlan, A. (2015). The Comparison Between ANALISIS DAN DESAIN SISTEM BERBASIS WEB DENGAN
Forward and Backward Chaining. WEB APPLICATION EXTENSION-UML DAN FRAMEWORK
International Journal of Machine Learning MVC
and Computing, 106-113. RANCANG BANGUN SISTEM INFORMASI
Hunt, D. (1986). Artificial Intelligence & Expert PERPUSTAKAAN BERBASIS WEB MENGGUNAKAN MVC
System Source Book. New York: Chapman (MODEL VIEW CONTROLER)
and Hall. IMPLEMENTASI PERSISTENCE DENGAN FRAMEWORK
Russel, S., & Norvig, P. (2010). Artificial Intelligent HIBERNATE UNTUK MENINGKATKAN EFEKTIFITAS
A Modern Approach Third Edition. New PEMROGRAMAN
Jersey: Pearson Education. METODE PEMBELAJARAN OBJECT ORIENTED
Sharma, T., Tiwari, N., & Kelkar, D. (2012). Study PROGRAMMING (OOP) DENGAN PENDEKATAN
of Difference Between Forward and HEMISPHERIC COGNITIVE STYLE COLLABORATION
Backward Reasoning. Ijetae, 271-273.
BIODATA PENULIS
ISSN 1978 – 1946 & E-ISSN 2527 – 6514 | Analisa Efektifitas Metode…