Inference Engine adalah bagian dari Sistem Pakar yang mencoba menggunakan informasi yang diberikan untuk menemukan objek yang sesuai. Inference engine mempunyai dua kategori yaitu deterministic dan probabilistik. Sedangkan dasar untuk membentuk inference engine diantaranya Forward Chaining, Backward Chaining dan rule value (merupakan pendahulu dari forward dan backward chaining).
Nah, pada aritkel ini kita akan belajar mengenai metode ini lebih mendalam lagi dari segi pengertian, cara kerja dan contoh penerapannya.
Pengertian Backward Chaining
Backward Chaining kebalikan dari metode Forward Chaining yang mana model secara terbalik dari hipotesa, sebuah kesimpulan yang harus dibuktikan dengan fakta-fakta yang mendukung hipotesa.
Metode ini dimulai dengan daftar tujuan (hipotesa) dan bekerja mundur dari konsekuen untuk melihat apakah ada data yang tersedia yang akan mendukung setiap konsekuen. Teknik penalaran ini akan mencari aturan inferensi sampai memerlukan satu yang memiliki konsekuensi yang cocok dengan tujuan yang diinginkan.
Cotoh Soal Backward Chaining
Seperti pada contoh pada Forward Chaining terdapat 10 aturan (rules) yang sama pada basis pengetahuan dan fakta awal yang diberikan hanya A dan B. Ingin membuktikan apakah K bernilai benar.
Terdapat 10 aturan (rules) yang tersimpan dalam basis pengetahuan yaitu.
- 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 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
Proses penalaran backward chaining terlihat pada gambar dibawah ini.
Kelebihan dan Kekurangan Backward Chaining
Seperti pada metode forward chaining, metode ini juga memiliki kelebihan dan kekurangan diantaranya.
Kelebihan
- Metode ini bisa menyediakan berbagai informasi yang terdiri dari jumlah kecil maupun jumlah besar dari sebuah data yang ada.
- Karena titik akhir dapat diakses, maka merupakan strategi pemikiran yang lebih cepat daripada forward chaining.
- Hasilnya sekarang diketahui, membuatnya mudah untuk menarik kesimpulan.
Kekurangan
- Dibatasi dengan sebuah aturan (rules) yang sudah ada ditetapkan. Jika tidak ada aturan yang terpenuhi maka sistem tidak bisa mengambil kesimpulan yang ada karena belum ada sebuah aturan baru yang ada dari knowledge base yang belum tersedia.
- Tidak dilengkapi dengan teknik pengukuran akurasi dari hasil hipotesis, berapa besar tingkat kepastia yang ada pada hipotesis, jika diambil dalam bentuk persentase kecenderungan yang mengidap sebuah penyakit itu.
- Kemungkinan adanya suatu cara yang digunakan untuk mengenali beberapa fakta penting yang harus diketahui yang lebih penting dari fakta lainnya.
Contoh Penerapan Backward Chaining
Berikut beberapa contoh penerapan metode ini.
- Sistem pakar untuk pengujian transistor di laboratorium elektronika.
- Sistem pakar untuk mendiagnosa penyakit leukemia.
- Sistem pakar untuk diagnosa penyakit tulang.
- Sistem pakar untuk mengantisipasi permasalahan tanaman kacang kedelai.
Kesimpulan
Pada pembelajaran ini dapat kita simpulkan bawah Backward Chaining kebalikan dari metode Forward Chaining, sebuah kesimpulan yang harus dibuktikan dengan fakta-fakta yang mendukung hipotesa.
Artikel ini merupakan bagian dari seri artikel belajar Kecerdasan Buatan dan jika ada ide topik yang mau kami bahas silahkan komen di bawah ya..