Forward

chaining
SISTEM BERBASIS PENGETAHUAN
 KELOMPOK 1

Muhammad Ardiansyah 201843500387

Deny Nova AS 201843500101

Rahmat 201843500872

Wahyu Fadhli Rahman 201843500910

Muhammad Ridwan 201843500779

Dasnur 201843500175

Akmad Royani 201843501095

Marni 201843500764
 Pendahuluan
Sistem pakar pada umumnya memiliki dua metode
pendekatan yang digunakan sebagai mesin penggerak atau
mesin inferensi, yaitu Forward Chaining dan Backward
Chaining. Pendekatan yang paling cocok digunakan dalam
suatu sistem pakar berbasis konsultasi adalah pendekatan
Forward Chaining.
 OUTLINE
• Inferensi dengan rules merupakan implementasi dari modus ponen, yang
direfleksikan dalam mekanisme search (pencarian).
• Firing a rule: Bilamana semua hipotesis pada rules (bagian "IF") memberikan
pernyataan BENAR
• Dapat mengecek semua rule pada knowledge base dalam arah forward maupun
backward
• Proses pencarian berlanjut sampai tidak ada rule yang dapat digunakan (fire), atau
sampai sebuah tujuan (goal)tercapai.
• Ada dua metode inferencing dengan rules, yaitu Forward Chaining atau Data-
Driven dan Backward Chaining atau Goal-Driven.
 OUTLINE
• Forward chaining merupakan grup dari multiple inferensi yang melakukan pencarian
dari suatu masalah kepada solusinya.

• Jika klausa premis sesuai dengan situasi (bernilai TRUE), maka proses akan meng-
assert konklusi

• Forward Chaining adalah data driven karena inferensi dimulai dengan informasi yg
tersedia dan baru konklusi diperoleh

• Jika suatu aplikasi menghasilkan tree yang lebar dan

tidak dalam, maka gunakan forward chaining.
 Forward Chaining
Pendekatan metode forward chaining adalah proses perunutan yang
dimulai dengan menampilkan kumpulan data atau fakta yang
meyakinkan menuju konklusi akhir. Pendekatan ini diawali dengan
mengumpulkan fakta-fakta di lapangan, yang kemudian diproses
untuk mencapai sebuah kesimpulan akhir. Metode ini disebut juga
metode data driven.
 Sifat forward chaining
•Baik untuk pemantauan, perencanaan, dan pengendalian
• Terlihat dari sekarang ke masa depan.
• Bekerja dari anteseden ke konsekuen.
• Berdasarkan data fakta dan penalaran dari bawah ke atas.
• Bekerja ke depan untuk menemukan solusi berdasarkan fakta.
• Memfasilitasi pencarian breadth-first .
• Anteseden menentukan pencarian.
 Representasi Pengetahuan
Representasi pengetahuan atau disebut juga knowledge
representation adalah proses yang bertujuan untuk
mengorganisasikan pengetahuan dalam bentuk dan format tertentu
untuk bisa dimengerti oleh komputer Proses representasi
pengetahuan
 Pohon Keputusan

Pohon keputusan atau decision tree merupakan salah satu metode representasi pengetahuan yang digunakan
untuk memodelkan suatu permasalahan yang berbentuk rangkaian keputusan yang mengarah ke solusi. Pohon
Keputusan terdiri dari banyak node yang menggambarkan keputusan-keputusan dan menuju kepada solusi
yang berakhir pada daun.

Gambar Representasi Pohon Keputusan

Gambar diatas menunjukkan sebuah pohon keputusan sederhana. Pohon tersebut bermula dari A yang kemudian
melewati proses pertanyaan ya dan tidak, dan pada
akhirnya menuju ke daun-daun yang merupakan solusi dari permasalahan tersebut.
 Tabel

Tabel merupakan salah satu bentuk representasi pengetahuan yang memodelkan pengatahuan yang terdiri dari fakta dan
gejala ke dalam baris dan kolom. Tabel dibawah ini memberikan contoh mengenai representasi tabel sederhana.

Tabel 1. Representasi Tabel

 Algoritma Forward chaining
Teknik pencarian yang dimulai dengan fakta yang diketahui, kemudian
mencocokan fakta-fakta tersebut dengan bagian IF dari rules IF-THEN. Bila ada
fakta yang cocok dengan bagian IF, maka rule tersebut dieksekusi.
Bila sebuah rule di eksekusi, maka sebuah fakta baru ditambahkan kedalam
database. Setiap kali pencocokan dimulai dari rule teratas dan setiap rule hanya
boleh dieksekusi sekali saja. Proses pencocokan berhenti bila tidak ada lagi rule
yang bisa dieksekusi.
 Contoh penerapan forward chaining

Contoh penerapan metode forward chaining pada sistem pakar mendiagnosa penyakit hati dengan
menganalisa jenis penyakit organ hati berdasarkan gejala-gejala yang diinputkan oleh pengguna.
 Contoh KASUS

• Sistem Pakar : Penasihat Keuangan

• Kasus : Seorang user ingin berkonsultasi apakah tepat
jika dia berinvestasi pada stock IBM?

Variabel-variabel yang digunakan:

A = memiliki uang $10.000 untuk investasi

B = berusia < 30 tahun
C = tingkat pendidikan pada level college
D= pendapatan minimum pertahun $40.000
E = investasi pada bidang Sekuritas (Asuransi)
F = investasi pada saham pertumbuhan (growth stock)
G = investasi pada saham IBM

• Setiap variabel dapat bernilai TRUE atau FALSE

FAKTA YANG ADA :

Diasumsikan si user (investor)

memiliki data:

- Memiliki uang $10.000 (A TRUE)

- Berusia 25 tahun (B TRUE)

Dia ingin meminta nasihat

apakah tepat jika berinvestasi
pada IBM stock?
 RULES

IF seseorang memiliki uang SIO.OOO untuk berinvestasi AND dia berpendidikan pada level college THEN dia harus berinvestasi
R1 pada bidang sekuritas

IF seseorang memiliki pendapatan per tahun min $40.000 AND dia berpendidikan pada level college THEN dia harus berinvestasi
R2
pada saham pertumbuhan (growth stocks)

IF seseorang berusia < 30 tahun AND dia berinvestasi pada bidang sekuritas THEN dia sebaiknya berinvestasi pada saham
R3
pertumbuhan

R4 IF seseorang berusia < 30 tahun dan > 22 tahun THEN dia berpendidikan college

R5 IF seseorang ingin berinvestasi pada saham pertumbuhan THEN saham yang dipilih adalah saham IBM.
 Rule simplification
RI : IF 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
 Rule Firing :

R4

R1

R3

R5

GOAL : G ?

WORKING MEMORY : A, B, C, E, F, G
TERIMAKASIH