Backward Chaining: Pengertian, Penerapan dan Contoh Soal

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.

Cara Kerja Backward Chaining

Berbeda dari Forward Chaining yang dimulai dari data menuju kesimpulan, Backward Chaining bekerja dari hipotesis menuju data. Konsep ini sering digunakan ketika sistem sudah memiliki dugaan awal (tujuan) yang ingin dibuktikan kebenarannya.

Bayangkan kamu sedang menjadi detektif yang sudah tahu siapa tersangkanya, tapi belum tahu bukti-buktinya. Nah, tugasmu adalah mencari fakta-fakta pendukung yang bisa membuktikan bahwa orang tersebut memang pelakunya. Itulah analogi sederhana dari cara kerja Backward Chaining.

Secara umum, proses kerja Backward Chaining dapat dijelaskan dalam beberapa tahapan langkah berikut:

1. Menentukan Tujuan Awal (Goal)
   Proses dimulai dari sebuah tujuan yang ingin dibuktikan. Misalnya, sistem ingin mengetahui apakah suatu pernyataan “K” bernilai benar. Tujuan ini disebut hipotesis utama.
2. Mencari Aturan yang Menghasilkan Tujuan Tersebut
   Setelah menetapkan tujuan, sistem akan mencari aturan (rule) dalam basis pengetahuan yang memiliki konsekuen (hasil) sama dengan tujuan tersebut. Misalnya ada aturan: “IF J THEN K”. Ini berarti, agar “K” benar, maka “J” juga harus benar.
3. Menjadikan Premis Sebagai Subtujuan Baru
   Karena “J” menjadi syarat untuk “K”, maka “J” sekarang dianggap sebagai tujuan baru yang harus dibuktikan. Sistem kembali mencari aturan lain yang bisa mendukung “J”, misalnya “IF I AND A THEN J”.
4. Melacak Fakta yang Sudah Ada
   Proses ini terus berlanjut secara rekursif sampai sistem menemukan fakta-fakta awal (data yang sudah diketahui kebenarannya). Jika fakta-fakta ini sesuai dengan semua premis yang dibutuhkan, maka hipotesis awal dianggap terbukti benar.
5. Menarik Kesimpulan
   Setelah semua subtujuan terbukti berdasarkan fakta yang ada, sistem kemudian menyimpulkan bahwa tujuan utama memang benar. Namun jika salah satu premis gagal dibuktikan, maka kesimpulan dianggap tidak valid.

Secara sederhana, algoritma Backward Chaining bekerja seperti “rantai sebab-akibat yang dibalik”, sistem menelusuri jalan mundur dari hasil ke penyebab. Logika ini sangat efisien ketika jumlah kemungkinan fakta sangat besar, tetapi sistem hanya ingin memverifikasi satu atau beberapa hipotesis spesifik.

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.

1. R1: IF A and B Then C
2. R2: IF C Then D
3. R3: IF A and E Then F
4. R4: IF  A Then G
5. R5: IF and G Then D
6. R6: IF G and E Then H
7. R7: IF C and H Then I
8. R8: IF I and A Then J
9. R9: IF G Then J
10. 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

1. Metode ini bisa menyediakan berbagai informasi yang terdiri dari jumlah kecil maupun jumlah besar dari sebuah data yang ada.
2. Karena titik akhir dapat diakses, maka merupakan strategi pemikiran yang lebih cepat daripada forward chaining.
3. Hasilnya sekarang diketahui, membuatnya mudah untuk menarik kesimpulan.

Kekurangan

1. 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.
2. 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.
3. 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..