Tugas-3 Sistem Pakar : Resume Teknik Inferensi

Inferensi adalah suatu proses yang digunakan dalam sistem pakar untuk menghasilkan suatu informasi baru yang diperoleh dari informasi yang telah diketahui sebelumnya. Dalam sistem pakar, proses inferensi dilakukan dalam suatu modul yang disebut Inference Engine yang berisikan program-program tentang bagaimana mengendalikan proses reasoning.

Sedangkan reasoning sendiri adalah proses yang bekerja dengan pengetahuan, fakta dan strategi pemecahan masalah untuk mengambil suatu kesimpulan. Metode-metode reasoning diantaranya adalah :

• Deductive Reasoning

Deductive Reasoning digunakan untuk mendeduksi informasi baru dari hubungan logika pada informasi yang telah diketahui. Contoh dari deductive reasoning :

   a. Implikasi : Saya akan terlambat jika ban motor saya bocor

   b. Aksioma : Ban motor saya bocor

   c. Konklusi : Saya akan terlambat

                " IF A IS TRUE AND IF A IMPLIES B IS TRUE, THEN B IS TRUE "

• Inductive Reasoning

Inductive Reasoning digunakan untuk
mengambil suatu kesimpulan umum dari sejumlah fakta tertentu yang bersifat khusus. Untuk metode ini dibutuhkan sedikitnya 2 buah premis, tetapi jika premis-premis yang mendukung semakin banyak, maka akan semakin bagus. Contoh dari inductive reasoning adalah :

   a. Premis 1 : Ayam bertelur

   b. Premis 2 : Itik bertelur

   c. Premis 3 : Bebek bertelur

   d. Konklusi : Semua unggas bertelur

• Abductive Reasoning

Merupakan suatu metode yang terbentuk dari proses deduksi yang mengijinkan inferensi plausible. Plausible adalah konklusi yang dapat mengikuti konklusi yang telah tersedia namun bisa saja informasi yang tersedia tersebut bernilai salah atau tidak benar. Contoh dari abductive reasoning adalah :
   a. Implikasi : Jadwal penerbangan akan mundur jika cuaca buruk
   b. Aksioma : Jadwal penerbangan akan mundur
   c. Konklusi : Apakah cuaca buruk ?
                 " IF B IS TRUE AND A IMPLIES B IS TRUE, THEN A IS TRUE? "

• Analogical Reasoning

Penggunaan pemodelan analogi untuk membantu memahami situasi baru atau objek baru. Perlu digambarkan analogi antara dua objek atau 2 situasi dan kemudian melihat persamaan dan perbedaan untuk membantu proses reasoning.

• Common Sense Reasoning

Common sense reasoning ini digunakan untuk memperoleh suatu solusi dari suatu permasalahan dengan cepat karena melalui pengalaman yang didapatnya, manusia belajar untuk memecahkan masalahnya secara efisien. Proses heuristic search atau best first search digunakan pada aplikasi yang membutuhkan solusi yang cepat dan tepat.

Resolusi adalah strategi inferensi yang digunakan dalam sistem logika untuk menentukan kebenaran dari suatu penegasan (assertion). Metode ini mencoba membuktikan bahwa beberapa teorema atau ekspresi sebagai proposisi P bernilai benar atau TRUE dengan memberikan sejumlah aksioma dari masalah tersebut. Resolvent merupakan ekspresi baru yang muncul dari metode resolusi yang merupakan gabungan (union) dari aksioma yang ada dengan teorema negasi. Resolvent tersebut akan ditambahkan pada daftar aksioma dan akan menghasilkan aksioma baru. Proses ini akan berulang hingga menghasilkan kontradiksi.
Pada metode resolusi, tidak adanya perbedaan antara goal, premis dan rule. Semua dianggap sebagai aksioma dan diproses dengan rule resolusi untuk inferensi. Sedangkan teknik non-resolusi menyediakan beberapa statement-nya sebagai goal-nya.

Beberapa hukum dalam inferensi dengan logika adalah :

• Hukum Detachment 
• Hukum Kontrapositif
• Hukum Syllogism
• Hukum Inferensi Disjunctive
• Hukum Dobel Negasi
• Hukum DeMorgan
• Hukum Simplifikasi
• Hukum Konjungsi
• Hukum Disjunctive Addition
• Hukum Conjunctive Argument

Inferensi dengan rule merupakan implementasi dari modus ponen yang direfleksikan dalam mekanisme search. Metode inferensi dengan rule ini ada 2, yaitu :

• Forward Chaining atau Data Driven

Merupakan grup dari multiple inferensi yang melakukan pencarian dari suatu masalah ke solusinya. Jika klausa premis bernilai TRUE maka proses akan meng-assert konklusi. Disebut data driven karena inferensi dimulai dari informasi yang telah tersedia dan konklusi baru diperoleh. Digunakan untuk aplikasi yang mempunyai tree yang lebar dan tidak dalam.

• Backward Chaining atau Goal Driven

Dimulai dari ekspektasi apa yang diinginkan terjadi (hipotesis) kemudian mengecek pada sebab-sebab yang mendukung dari ekspektasi tersebut. Digunakan untuk aplikasi yang mempunyai tree yang sempit dan cukup dalam.