Backward Chaining

Runut Balik Penalaran dimulai dengan tujuan kemudian merunut balik ke jalur yang akan mengarahkan ke tujuan tersebut (Giarattano dan Riley, 1994). 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 ini cocok digunakan untuk memecahkan masalah diagnosis (Schnupp, 1989).

Urutan Langkah Runut Balik Sistem akan melist dalam memori daftar konklusi yang ada Masing-masing konklusi secara sekuensial dicari premisnya Masing-masing premis di tanyakan ke user Jika jawaban ya, dilanjutkan ke premis berikutnya Jika jawabannya tidak dilanjutkan ke konklusi selanjutnya

untuk mengetahui apakah suatu fakta yang dialami oleh pengguna itu termasuk konklusi 1, konklusi 2, konklusi 3, atau konklusi 4 atau bahkan bukan salah satu dari konklusi tersebut sistem akan mengambil hipotesis bahwa konklusinya adalah dari konklusi 1 s/d konklusi 4 Untuk membuktikan hipotesisnya sistem akan mencari premis-premis aturan yang mengandung konklusi yang diduga. Setelah itu sistem akan meminta feedback kepada user mengenai premis-premis yang ditemukan tersebut.

Hipotesis Konklusi: Konklusi 1 Premis yang sesuai: Premis 1 Premis 2 Jika ketiga premis dialami user, maka konklusi 1 terbukti, jika tidak pindah ke konklusi 2

Contoh Kasus backward Chaining Misalkan diketahui sistem pakar menggunakan 5 buah rule sebagai berikut : R1 : If (Y and D) THEN Z R2 : If (X and B and E) then Y R3 : if A then X R4 : if C then L R5 : if (L and M) then N fakta-fakta : A, B,C,D dan E bernilai benar Goal : menentukan apakah Z bernilai benar

Iterasi ke-1

Iterasi ke-2

Iterasi ke-3

Iterasi ke-4

Iterasi ke-5

Iterasi ke-6 Karena Goal Z ditemukan di database, maka proses pencarian dihentikan. Disini terbukti bahwa Z bernilai benar

Contoh kasus 2 backward chaining Keputusan investasi A : Memiliki 100juta B : < 30 tahun C : Pendidikan Sarjana D : Pendapatan tahunan <=400juta E : Investasi di saham F : Investasi di saham pertumbuhan G : Investasi di saham IBM Fakta yg diketahui: Seseorang memiliki 100juta dan berumur 25 tahun, ingin meminta saran apakah sebaiknya dia berinvestasi di saham IBM atau tidak

Rule yang diketahui adalah : Jika memiliki 100 juta dan memiliki pendidikan sarjana maka cocok investasi di saham jika pendapatan tahunan <=400juta dan pendidikannya sarjana maka cocok investasi di saham pertumbuhan Jika umur < 30 tahun dan sudah Investasi di saham maka cocok investasi di sahan pertumbuhan Jika umur < 30 tahun maka pasti pendidikannya sarjana Jika investasi di saham pertumbuhan maka pasti juga investasi di saham IBM

Contoh Kasus 3 Diketahui sistem pakar mempunyai 10 Rule yang tersimpan pada basis pengetahuannya sebagai berikut : 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 (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 adalah A & F, buktikan apakah K bernilai benar apabila proses inferensi dilakukan dengan cara backward chaining.