A.

Backward Chaining
Backward chaining adalah suatu rantai yang dilintasi dari suatu hipotesa kembali ke
fakta yang mendukung hipotesa tersebut, pendekatan dimotori tujuan (goal-driven),
dalam pendekatan ini pelacann dimulai dati tujuan, selanjutnya dicari aturan yang
memiliki tujuan tersebut untuk kesimpulannya. Selanjutnya proses pelacakan
menggunkan premis untuk aturan proses berlanjut sampai semua kemungkinan
ditemukan. Berikut gambar menunjukkan proses backward chaining.

Penalaran berdasarkan tujuan (goal-driven), metode ini dimuali dengan membuat

perkiraan dari apa yang akan terjadi, kemudian mencari fakta-fakta (evidence) yang
mendukung (atau membantah) hipotesa tersebut.

Sebagai contoh akan diuraikan sebagai berikut, jika suatu masalah mempunyai sederetan
kaidah seperti tertulis dibawah ini:
R1 : 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
Dimana sebagai acuan diketahui bahwa fakta A dan B adalah true (benar) dan G adalah
GOAL (tujuan). Berikut ini langkah-langkah yang digunakan dalam metode backward chaining:
1.   Langkah 1 : Mencari kebenaran dasar dari tujuan berdasarkan fakta yang ada, dimana
sebagai acuannya kita sudah mengetahuinya.
2.   Langkah 2 : R5 menunjukkan bahwa jika F benar maka G benar. Untuk itu, maka kita
akan melihat R2 dan R3.
3.  Langkah 3 : R2 menunjukkan bahwa D belum tentu benar sebab D tidak termasuk
dalam fakta acuan, sehingga R2 tidak bisa digunakan, maka kita akan melihat ke
kaidah yang lainnya yaitu kaidah R3.
4.   Langkah 4 : Pada kaidah R3, kita ketahui sesuai fakta acuan yang ada bahwa B adalah
benar, selanjutnya kita akan melihat apakah E benar.
5.   Langkah 5 : Pada kaidah R1 sangat tergantung dengan kebenaran A dan C
6.    Langkah 6 : Karena A diketahui sebagai fakta acuan adalah benar, selanjutnya kita
akan melihat apakah C benar, dengan melihat R4.
7.     Langkah 7: R4 menunjukkan bahwa C adalah benar karena B adalah benar
 B. Fordward Chaining
Fordward chaining merupakan suatu penalaran yang dimulai dari fakta untuk
mendapatkan kesimpulan (conclusion) dari fakta tersebut. Fordward chaining bisa
dikatan sebagai strategi inference yang bermula dari sejumlah fakta yang diketahui,.
Pencarian dilakukan dengan menggunakan rules yang premisnya cocok dengan fakta
yang diketahui tersebut untuk memperoleh baru dan melanjutkanproses hingga gola
dicapai atau hingga sudanh tidak ada rules lagi yang premisnya cocok dengan fakta yang
diketahui maupun fakta yang diperoleh.
Forward chaining bisa disebut juga runut maju atau pencarian yang dimotori data
(data driven search). Jadi pencarian dimulai dari premis-premis atau informasi masukan
(if) dahulu kemudian menuju konklusi atau derived information (then). Forward
Chaining berarti menggunakan himpunan aturan kondisi-aksi. Dalam metode ini, data
digunakan untuk menentukan aturan mana yang akan dijalankan atau dengan
menambahkan data ke memori kerja untuk diproses agar ditemukan suatu hasil.
Proses penalaran fordward chaining terlihat pada gambar dibawah :

Forward Chaining digunakan jika :

1. Banyak aturan berbeda yang dapat memberikan kesimpulan yang sama.

2. Banyak cara untuk mendapatkan sedikit konklusi.
3. Benar-benar sudah mendapatkan berbagai fakta, dan ingin mendapatkan konklusi dari
fakta-fakta tersebut.

Adapun tipe sistem yang dapat menggunakan teknik pelacakan forward chaining, yakni :

1. Sistem yang direpresentasikan dengan satu atau beberapa kondisi.

2. Untuk setiap kondisi, sistem mencari rule-rule dalam knowledge base untuk rule-rule
yang berkorespondensi dengan kondisi dalam bagian if.
3. Setiap rule dapat menghasilkan kondisi baru dari konklusi yang diminta pada
bagian then. Kondisi baru ini dapat ditambahkan ke kondisi lain yang sudah ada.
4. Setiap kondisi yang ditambahkan ke sistem akan diproses. Jika ditemui suatu kondisi,
sistem akan kembali ke langkah 2 dan mencari rule-rule dalam knowledge base Jika tidak
ada konklusi baru, sesi ini berakhir.

       Jika klausa premis sesuai dengan situasi (bernilai true), maka proses akan meng-assert
konklusi. Forward chaining juga digunakan jika suatu aplikasi menghasilkan tree yang lebar dan
tidak dalam. Pada metode forward chaining, ada 2 cara yang dapat dilakukan untuk melakukan
pencarian, yaitu :

1. Dengan memasukkan semua data yang tersedia ke dalam sistem pakar pada satu
kesempatan dalam sesi konsultasi. Cara ini banyak berguna pada sistem pakar yang
termasuk dalam proses terautomatisasi dan menerima data langsung dari komputer yang
menyimpan data base, atau dari satu set sensor.
2. Dengan hanya memberikan elemen spesifik dari data yang diperoleh selama sesi
konsultasi kepada sistem pakar. Cara ini mengurangi jumlah data yang diminta, sehingga
data yang diminta hanyalah data-data yang benar-benar dibutuhkan oleh sistem pakar dalam
mengambil kesimpulan.

Contoh pelacakan forward chaining :

Rule – rule yang diberikan :

1. R1 : Jika A dan C, maka E

2. R2 : Jika D dan C maka F
3. R3 : Jika B dan E maka F
4. R4 : Jika B maka C
5. R5 : Jika F maka G

Fakta yang ada : A benar dan B benar

Dalam Forward Chaining pencarian dimulai dengan fakta yang diketahui dan mengambil fakta
baru menggunakan aturan yang telah diketahui pada sisi Jika (if). Karena diketahui A dan B
benar, sistem pakar mulai dengan mengambil fakta baru menggunakan aturan yang memiliki A
dan B pada sisi Jika (if). Dengan menggunakan R4, sistem pakar mengambil fakta baru C dan
menambahkannya ke dalam assertion base sebagai benar.
Sekarang R1 fire (karena A dan C benar) dan nyatakan E sebagai benar dalam assertion base
sebagai benar. Karena B dan E keduanya benar (berada dalam assertion base), R3 fire dan
menetapkan F sebagai benar dalam assertion base. Sekarang R5 fire (karena F berada dalam sisi
Jika), yang menetapkan G sebagai benar, jadi hasilnya adalah G.

C. Certaity Factor
 Definisi menurut Mc.allister, certainty factor adalah suatu metode untuk
membuktikan apakah suatu fakta itu pasti ataukah tidak pasti yang berbentuk metric yang
baiasanya digunakan dalam system pakar. Metode sangat cocok untuk system pakar yang
mendiagnosis sesuatu yang belum pasti.
Fakor kepastian (certainty factor) diperkenalkan oleh Shortliffe Buchanan dalam
pembuatan MYCIN Certainty Factor(CF) merupakan nilai parameter klinis yang
diberikan MYCIN untuk menunjukkan besarnya kepercayaan.

Kelebihan dan Kekurangan Metode Certainty Factor

Kelebihan Certainty Factor:
a.  Metode ini cocok dipakai dalam sistem pakar untuk mengukur sesuatu apakah pasti
atau tidak pasti dalam mendiagnosa penyakit.
b. Perhitungan dengan menggunakan metode ini dalam sekali hitung hanya dapat
mengelola dua data saja sehingga keakuratan data dapat terjaga.
Kekurangan Metode Certainty Factor :
a. Ide umum dari pemodelan ketidakpastian manusia dengan menggunakan numerik
metode certainty factors biasanya diperdebatkan. Sebagian orang akan membantah
pendapat bahwa formula untuk metode certainty factor diatas memiliki sedikit
kebenaran.
b.  Metode ini hanya dapat mengolah ketidakpastian/kepastian hanya dua data saja. Perlu
dilakukan beberapa kali pengolahan data untuk data yang lebih dari dua buah.

c.  Nilai CF yang diberikan bersifat subyektif karena penilaian setiap pakar bisa saja
berbeda-beda tergantung pengetahuan dan pengalaman pakar.

  Penerapan CF pada studi kasus diagnosa penyakit sapi dengan metode certainty

factor
 Cara Pengerjaan
      Pengguna konsultasi diberi pilihan jawaban yang masing-masing bobotnya sebagai
berikut :
  No Keterangan Nilai User
  1 Tidak 0
  2 Tidak tahu 0,2
  3 Sedikit yakin 0,4
  4 Cukup yakin 0,6
  5 Yakin 0,8
  6 Sangat yakin 1

Contoh CF pada diagnosa Brucellosis

 IF Demam Tinggi 
   AND Badan Lemah
   AND Turun Berat Badan
   AND Mengalami Aborsi
   THEN Brucellosi
    Langkah  pertama  adalah  pemecahan rule dengan premis (ciri)  majemuk  menjadi
rule dengan premis (ciri) tunggal, seperti contoh berikut ini : 
        IF Demam Tinggi THEN Brucellosis
        IF Badan Lemah THEN Brucellosis
        IF Turun Berat Badan THEN Brucellosis  
        IF Mengalami Aborsi THEN Brucellosis
 Menentukan nilai CF pakar untuk masing-masing premis (ciri)

Kemudian dilanjutkan dengan penentuan CF user, misalkan user memilih jawaban

sebagai berikut :

Rule - rule yang  baru  tersebut  kemudian dihitung  nilai  CF pakar dengan  CF
usermenggunakan     persamaan CF(H,E) = CF(E)*CF(rule)
                        = CF(user)*CF(pakar)

Langkah  yang  terakhir  adalah  mengkombinasikan  nilai CF  dari  masing – masing

rule Kombinasikan CF 1 sampai CF 4 dengan persamaan

     CFCOMBINE(CF1,CF2)     = CF1+ CF2* (1 - CF1)

  
     CFCOMBINE (CF1,CF2)    = 0,2 + 0,32 * (1 - 0,2)
                                                 = 0,2 + 0,25
                                                 = 0,45 CFold

     CFCOMBINE (CFold,CF3) = 0,45 + 0,6 * (1 - 0,45)

                                                 = 0,45 + 0,33
                                                 = 0,78 CFold

     CFCOMBINE (CFold,CF4) = 0,78 + 0,4 * (1 - 0,78)

                                                 = 0,78 + 0,08
                                                 = 0,86 CFold

     Prosentase keyakinan = CFCOMBINE * 100 % => 0,86  x100% = 86 %

       Kesimpulan

       Dengan  demikian  dapat  dikatakan  bahwa  perhitungan certainty  factor yang  dilakukan pada
jenis  penyakit BRUCELLOSIS  memiliki tingkat keyakinan sistem 86%.