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.
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 :
Adapun tipe sistem yang dapat menggunakan teknik pelacakan forward chaining, yakni :
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.
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 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.
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)
Kesimpulan
Dengan demikian dapat dikatakan bahwa perhitungan certainty factor yang dilakukan pada
jenis penyakit BRUCELLOSIS memiliki tingkat keyakinan sistem 86%.