materi pembelajarn

1. Mata Kuliah : Sistem Pakar
Dosen Pengampuh : Baso Ali, S.Pd., M.Pd.
TUGAS MAKALAH
METODE INFERENSI
OLEH:
KELOMPOK 4
ARDILLA.S : 1404411254
TAUFIK : 1304411070
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNIK KOMPUTER
UNIVERSITAS COKROAMINOTO PALOPO
2017

2. ii
KATA PENGANTAR
Puji dan syukur penulis panjatkan kepada Allah SWT karena berkat rahmat
dan hidayahnya penulis dapat menyelesaikan tugas mata kuliah “Sistem Pakar”
yang berjudul “Metode Inferensi” ini tepat pada waktunya. Tidak lupa pula
penulis panjatkan shalawat serta salam kepada junjungan Nabi besar Muhammad
SAW.
Penulis juga mengucapkan terima kasih yang sebesar-besarnya kepada dosen
mata kuliah “Sistem Pakar” bapak Baso Ali, S.Pd., M.Pd. yang telah membimbing
penulis. Tidak lupa pula penulis mengucapkan terima kasih kepada semua pihak
yang membantu dalam menyelesaikan makalah “Sistem Pakar” ini. Makalah ini
mungkin masih jauh dari sempurna, untuk itu penulis membutuhkan kritik dan
saran yang bersifat membangun dari para pembacanya. Semoga makalah ini dapat
berguna dikalangan masyarakat terutama mahasiswa.
Palopo, 25 April 2017
Penulis

3. iii
DAFTAR ISI
HALAMAN JUDUL........................................................................................ i
KATA PENGANTAR...................................................................................... ii
DAFTAR ISI.................................................................................................... iii
DAFTAR GAMBAR ....................................................................................... iv
BAB I PENDAHULUAN ................................................................................ 1
1.1 Latar Belakang.................................................................................. 1
1.2 Rumusan Masalah............................................................................. 2
1.3 Tujuan dan Manfaat.......................................................................... 2
1.4 Batasan Masalah............................................................................... 2
BAB II PEMBAHASAN ................................................................................. 3
2.1 Sistem Pakar ..................................................................................... 3
2.2 Metode Inferensi............................................................................... 3
2.3 Forward Chaining ............................................................................ 4
2.4 Backward Chaining .......................................................................... 5
2.5 Contoh Metode Inferensi .................................................................. 6
BAB III PENUTUP.......................................................................................... 9
3.1 Kesimpulan....................................................................................... 9
3.2 Saran ................................................................................................. 9
DAFTAR PUSTAKA ...................................................................................... 10

4. iv
DAFTAR GAMBAR
Gambar 1. Runut maju..................................................................................... 4
Gambar 2. Runut balik ..................................................................................... 5
Gambar 3. Forward chaining........................................................................... 7
Gambar 4. Backward chaining......................................................................... 8

5. BAB I
PENDAHULUAN
1.1 Latar Belakang
Seiring berkembangnya teknologi, saat ini telah banyak ditemukan
penemuan-penemuan baru dibidang teknologi informasi yang membantu setiap
pekerjaan manusia. Salah satu penemuan terbaik manusia yaitu sistem pakar
dimana sistem pakar ini dapat dikatakan sebagai sistem komputer yang ditujukan
untuk meniru semua aspek (emulaters) kemampuan pengambilan keputusan
(decision making) seorang pakar. Sistem pakar memanfaatkan secara maksimal
pengetahuan khusus selayaknya seorang pakar untuk memecahkan masalah.
Secara internal, sistem terdiri dari dua komponen utama yaitu basis pengetahuan
(knowledge based) yang berisi penegtahuan yang akan digunakan oleh komponen
lainnya yaiu mesin inferensi (inference engine) untuk menghasilkan kesimpulan
sebagai respon terhadap kueri yang dilakukan user.
Inferensi merupakan proses untuk menghasilkan informasi dari fakta yang
diketahui atau diasumsikan. Inferensi adalah konklusi logis (logical conclusion)
atau implikasi berdasarkan informasi yang tersedia. Dalam sistem pakar, proses
inferensi dilakukan dalam suatu modul yang disebut inference engine (Mesin
Inferensi).
Pada saat representasi pengetahuan (RP) pada bagian knowledge base telah
lengkap, atau paling tidak telah berada pada level yang cukup akurat, maka
representasi pengetahuan tersebut telah siap digunakan. Inference Engine
merupakan modul yang berisis program tentang bagaimana mengendalikan proses
reasoning.
Dalam metode inferensi sistem pakar, terdapat dua model yang penting, yaitu
runut maju (forward chaining) dan runut balik (backward chaining). Runut maju
(forward chaining) dan runut balik (backward chaining) mempunyai masing-
masing peran yang berbeda satu sama lain dimana keduanya termasuk dalam
model yang penting dalam sistem pakar.

6. 2
1.2 Rumusan Masalah
Adapun rumusan masalah dari makalah ini yaitu:
1. Apa yang dimaksud dengan forward chaining ?
2. Apa yang dimaksud dengan backward chaining ?
1.3 Tujuan dan Manfaat
1. Tujuan
Adapun tujuan dari penulisan makalah ini yaitu:
a. Untuk memahami tentang maksud dari forward chaining.
b. Untuk memahami tentan maksud dari backward chaining.
2. Manfaat
Adapun manfaat penulisan dari makalah ini yaitu:
a. Menambah wawasan mengenai sistem pakar.
b. Sebagai tolak ukur ilmu pengetahuan.
c. Melatih kemampuan dalam membuat karya tulis.
1.4 Batasan Masalah
Untuk menghindari perluasan masalah, maka penulis membatasi
permasalahan yaitu:
1. Pengenalan Sistem Pakar.
2. Metode inferensi.
3. Forward Chaining.
4. Backward Chaining.

7. BAB II
PEMBAHASAN
2.1 Sistem Pakar
Sistem Pakar adalah bagian dari Kecerdasan Buatan yang berisi kombinasi
pemahaman teoritis tentang suatu persoalan dan sekumpulan aturan pemecahan
persoalan heuristik yang dikembangkan oleh manusia untuk dapat memecahkan
problema pada suatu domain yang spesifik.
Sistem Pakar dapat dikatakan sebagai perangkat lunak yang digunakan untuk
memecahkan masalah yang biasanya diselesaikan oleh seorang pakar. Aturan-
aturan di dalamnya memberitahu program, bagaimana memberlakukan informasi-
informasi yang tersimpan. Berdasarkan itu program memberikan solusi-solusi
atau bantuan pengambilan keputusan mengenaI permasalahan tertentu, mirip
dengan saran seorang pakar.
2.2 Metode Inferensi
Metode inferensi dalam sistem pakar menerapkan pengetahuan untuk solusi
problema yang sebenarnya. Metode inferensi merupakan pusat dari kemampuan
untuk belajar dari pengalaman (proses belajar) sebab memungkinkan untuk meng-
generate fakta baru serta dapat melakukan verifikasi terhadap data-data yang ada,
dengan melakukan deteksi terjadinya kesalahan dalam alur berpikir dan menuntun
user untuk memodifikasi aturan-aturan yang digunakan untuk mendapatkan goal.
Penyusunan suatu mekanisme inferensi dengan pendekatan tertentu,
melibatkan konversi dari representasi pengetahuan yang ada ke dalam bentuk
pendekatan mekanisme inferensi yang dipilih.
Inferensi adalah proses yang digunakan dalam sistem pakar untuk
menghasilkan informasi baru dari informasi yang telah diketahui. Dalam sistem
pakar proses inferensi dilakukan dalam suatu modul yang disebut
Inference Engine (Mesin inferensi). Ketika representasi pengetahuan (RP) pada
bagian knowledge base telah lengkap, atau paling tidak telah berada pada level
yang cukup akurat, maka RP tersebut telah siap digunakan. Inference engine
merupakan modul yang berisi program tentang bagaimana mengendalikan proses
reasoning.

8. 4
2.3 Forward Chaining
Runut maju (forward chaining) merupakan pencocokan fakta atau pernyataan
dimulai dari bagian sebelah kiri (If dulu). Dengan kata lain, penalaran dimulai dari
fakta telebih dahulu untuk menguji kebenaran hipotesis.
Runut maju berarti menggunakan himpunan aturan kondisi-aksi. Dalam
metode ini, data digunakan untuk menentukan aturan mana yang akan dijalankan,
kemudian aturan tersebut dijalankan. Mungkin proses menambahkan data ke
memori kerja. Proses diulang sampai ditemukan suatu hasil.
Berikut gambar yang menunjukkan bagaimana cara kerja metode inferensi
runut maju.
Gambar 1. Runut maju
Metode inferensi runut maju cocok digunakan untuk menangani masalah
pengendalian (controlling) dan peramalan (prognosis).
Berikut ini adalah salah satu contoh inferensi dengan menggunakan metode
runut maju:
JIKA penderita terkena penyakit epilepsi idiopatik dengan CF antara 0,4
s/d 0,6
MAKA berikan obat carbamazepine
Contoh Sederhana:
If Lampu1 dinyalakan
And lampu1 tidak menyala
And lampu1 dihubungkan dengan sekring
And sekring masih bagus
Then Lampu1 rusak

9. 5
Secara sederhana runut maju dapat diterangkan sebagai berikut, untuk kaidah di
atas, agar sistem pakar mencapai konklusi, maka harus disuplai terlebih dahulu
dengan fakta berupa lampu 1 tidak menyala, lampu1 sudah dihubungkan dengan
sekring, dan sekring dalam kondisi bagus; kemudian baru sistem bisa
mengeluarkan konklusi bahwa lampu1 rusak.
2.4 Backward Chaining
Runut balik (backward chaining) merupakan metode penalaran kebalikan dari
runut maju. Dalam runut balik, penalaran dimulai dengan tujuan merunut balik ke
jalur yang akan mengarahkan ke tujuan tersebut. Runut balik (backward chaining)
juga dapat dikatakan pencocokan fakta atau pernyataan dimulai dari bagian
sebelah kanan (Then dulu). Dengan kata lain, penalaran dimulai dari hipotesis
terlebih dahulu, dan untuk menguji kebenaran hipotesis tersebut harus dicari
fakta-fakta yang ada dalam basis pengetahuan.
Gambar 2. Runut balik
Runut balik disebut juga sebagai goal-driven reasoning, merupakan cara yang
efisien untuk memecahkan masalah yang dimodelkan sebagai masalah pemilihan
terstruktur. Tujuan dari inferensi ini adalah mengambil pilihan terbaik dari banyak
kemungkinan. Metode inferensi runut balik ni cocok digunakan untuk
memecahkan masalah diagnosis.
Berikut ini adalah contoh penalaran dengan menggunakan metode runut
balik:
Aturan 1:
Mengalami epilepsi idiopatik lokal dengan certainty factor: 0,63
JIKA tipe sawan parsial sederhana
DAN EEG menunjukkan adanya fokus

10. 6
DAN penyebabnya tidak diketahui
Aturan 2:
Mengalami tipe sawan parsial sederhana dengan certainty factor: 0,63
JIKA mengalami motorik fokal yang menjalar atau tanpa menjalar
(gerakan klonik dari jari tangan, lalu menjalar ke lengan bawah
dan atas lalu menjalar ke seluruh tubuh)
ATAU gerakan versif, dengan kepala dan leher menengok ke suatu sisi
ATAU gejala sensorik fokal menjalar atau sensorik khusus berupa
halusinasi sederhana (visual, auditorik, gustatorik)
Untuk mencapai tujuan, yaitu mengidentifikasi penyakit epilepsi idiopatik,
sistem akan mengambil informasi dari subgoal yang paling rendah tingkatannya.
Sistem akan memberikan pertanyaan mengenai gejala-gejala yang pada akhirnya
dapat menentukan jenis penyakitnya.
Contoh Sederhana:
Contoh forward chaining sebelumnya bila dinyatakan dengan backward chaining
sebagai berikut:
Lampu1 rusak
If Lampu1 dinyalakan
And lampu1 tidak menyala
And lampu1 dihubungkan dengan sekring
And sekring masih bagus
2.5 Contoh Metode Inferensi
1. Forward chaining
Forward chaining merupakan metode inferensi yang melakukan penalaran
dari suatu masalah kepada solusinya. Jika klausa premis sesuai dengan situasi
(bernilai TRUE), maka proses akan menyatakan konklusi. Forward chaining
adalah data-driven karena inferensi dimulai dengan informasi yang tersedia dan
baru konklusi diperoleh. Jika suatu aplikasi menghasilkan tree yang lebar dan
tidak dalam, maka gunakan forward chaining.
Contoh :
Terdapat 10 aturan yang tersimpan dalam basis pengetahuan yaitu:
R1 : if A and B then C

11. 7
R2 : if C then D
R3 : if A and E then F
R4 : if A then G
R5 : if F 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
Fakta awal yang diberikan hanya A dan E, ingin membuktikan apakah K
bernilai benar. Proses penalaran forward chaining terlihat pada gambar di bawah:
Gambar 3. Forward chaining
2. Backward Chaining
Backward Chaining menggunakan pendekatan goal-driven, dimulai dari
harapan apa yang akan terjadi (hipotesis) dan kemudian mencari bukti yang
mendukung (atau berlawanan) dengan harapan kita. Sering hal ini memerlukan
perumusan dan pengujian hipotesis sementara. Jika suatu aplikasi menghasilkan
tree yang sempit dan cukup dalam, maka gunakan backward chaining.
Contoh:
Seperti pada contoh forward chaining, terdapat 10 aturan yang sama pada basis
pengetahuan dan fakta awal yang diberikan hanya A dan E. Apabila ingin
membuktikan apakah K bernilai benar, proses penalaran backward chaining
terlihat pada gambar berikut:

12. 8
Gambar 4. Backward chaining

13. BAB III
PENUTUP
3.1 Kesimpulan
Kesimpulan merupakan jawaban dari rumusan masalah. Adapun kesimpulan
pada makalah ini yaitu:
1. Runut maju (forward chaining) merupakan pencocokan fakta atau pernyataan
dimulai dari bagian sebelah kiri (If dulu). Dalam metode ini, data digunakan
untuk menentukan aturan mana yang akan dijalankan, kemudian aturan
tersebut dijalankan. Mungkin proses menambahkan data ke memori kerja.
Proses diulang sampai ditemukan suatu hasil.
2. Runut balik disebut juga sebagai goal-driven reasoning, merupakan cara yang
efisien untuk memecahkan masalah yang dimodelkan sebagai masalah
pemilihan terstruktur.
3.2 Saran
Dalam menyelesaikan sebuah kasus menggunakan metode inferensi harus
dipahami terlebih dahulu kegunaan dari masing-masing proses baik itu runut maju
maupun mundur. Untuk itu, perlu dilakukan pemahaman terlebih dahulu terhadap
dua metode yang ada dalam metode inferensi.

14. DAFTAR PUSTAKA
Kusrini. 2006. Sistem Pakar Teori dan Aplikasi. Andi, Yogyakarta.
Rosnelly, Rika. 2012. Sistem Pakar Konsep dan Teori. Andi, Yogyakarta.
DK. 2010. Forward Chaining and Backward Chaining. (Online):
https://diskusikuliah.wordpress.com/2010/10/18/forward-chaining-dan-
backward-chaining/. Diakses 28 april 2017.