TEKNIK INFERENSI
Inferensi merupakan suatu
proses untuk menghasilkan informasi dari fakta yang
diketahui. Inferensi adalah konklusi logis
atau implikasi berdasarkan informasi yang tersedia. Dalam sistem pakar,
proses inferensi dialakukan dalam suatu modul yang disebut inference
engine. Ketika representasi pengetahaun pada bagian knowledge base telah
lengkap, atau paling tidak telah berada pada level yang cukup akurat,
maka representasi pengetahuan tersebut telah siap digunakan.
Metode Reasoning
1.
Deductive Reasoning
Kita menggunakan reasoning deduktif
untuk mendeduksi informasi baru dari hubungan logika pada informasi yang telah
diketahui.
Contoh:
Implikasi : Saya akan basah kuyup
jika berdiri ditengah-tengah hujan deras
Aksioma : Saya berdiri
ditengah-tengah hujan deras
Konklusi : Saya akan basah kuyup
IF A is True AND IF A IMPLIES B is
True, Then B is True
2.
Inductive Reasoning
Kita menggunakan reasoning induktif
untuk mengambil kesimpulan umum dari sejumlah fakta khusus tertentu.
Contoh:
Premis : Monyet di Kebun Binatang
Ragunan makan pisang
Premis : Monyet di Kebun Raya Bogor
makan pisang
Konklusi : Semua monyet makan pisang
3.
Abductive Reasoning
Plausible berarti bahwa konklusi mungkin bisa
mengikuti informasi yang
tersedia, tetapi juga bisa salah.
Contoh:
Implikasi : Tanah menjadi basah jika
terjadi hujan
Aksioma : Tanah menjadi basah
Konklusi : Apakah terjadi hujan?
IF B is True AND A implies B is
true, Then A is True?
4.
Analogical Reasoning
Kita menggambar analogi antara 2
objek/situasi, kemudian melihat persamaan dan perbedaan untuk memandu proses reasoning.
5.
Common Sense Reasoning
Modus Ponen
Definisi: Rule dari logika yang
menyatakan bahwa jika kita tahu A adalah benar dan A implies B adalah juga
benar, maka kita dapat mengasumsikan bahwa B benar.
Inference engine
merupakan modul yang berisi program tentang
bagaimana mengendalikan proses reasoning. Ada dua metode inferensi yang
penting dalam sistem pakar, yaitu runut maju
(forward chaining) dan runut balik
(backward chaining) adalah
-
Forward
Chaining (data driven):
-
kesimpulan dihasilkan dari seperangkat data yang
diketahui.
-
Merupakan
grup dari multipel 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
-
Beberapa
Sifat forward chaining:
-
Good for monitoring, planning, and control
-
Looks from present to future.
-
Works from antecedent to consequent.
-
Is data-driven, bottom-up reasoning.
-
Works forward to find what solutions follow from the facts.
-
It facilitates a breadth-first search.
-
The antecedents determine the search.
-
It does not facilitate explanation.
-
Jika
suatu aplikasi menghasilkan tree yang lebar dan tidak dalam, maka
gunakan forward chaining
- Backward
Chaining (goal driven):
-
memilih beberapa kesimpulan yang mungkin dan
mencoba membuktikan kesimpulan tersebut dari bukti-bukti yang ada.
-
Pendekatan
goal-driven, dimulai dari ekspektasi apa yang diinginkan terjadi
(hipotesis), kemudian mengecek pada sebab-sebab yang mendukung (ataupun
kontradiktif) dari ekspektasi tersebut.
-
Jika
suatu aplikasi menghasilkan tree yang sempit dan cukup dalam, maka
gunakan backward chaining.
-
Beberapa
sifat dari backward chaining:
§
Good for Diagnosis.
§
Looks from present to past.
§
Works from consequent to antecedent.
§
Is goal-driven, top-down reasoning.
§
Works backward to find facts that support the hypothesis.
§
It facilitates a depth-first search.
§
The consequents determine the search.
§
It does facilitate explanation.
Tidak ada komentar:
Posting Komentar