Basis Pengetahuan dan Mesin Inferemsi pada Sistem Pakar

Basis pengetahuan dan mesin inferensi adalah modul paling kritis agar sistem pakar dapat berfungsi dengan baik. Pengetahuan harus direpresentasikan dan diatur secara tepat dalam basis pengetahuan. Mesin inferensi kemudian dapat menggunakan pengetahuan tersebut untuk menarik kesimpulan baru dari fakta dan aturan yang ada. Dalam bagian ini, struktur berbasis pengetahuan dan mesin inferensi pada sistem berbasis-aturan.

Representasi dan Organisasi Pengetahuan (Knowledge Base)

Pengetahuan pakar harus direpresentasikan dalam format yang dapat dipahami komputer dan diatur dengan tepat dalam basis pengetahuan sistem pakar. Terdapat beberapa cara yang berbeda untuk merepresentasikan pengetahuan manusia, antara lain aturan produksi, jaringan semantik, dan pernyataan logika. Dalam sistem berbasis aturan, pengetahuan dalam basis pengetahuan direpresentasikan dalam aturan JIKA MAKA yang menggabungkan kondisi dan kesimpulan untuk menangani situasi tertentu.

Bagian JIKA mengindikasikan kondisi aturan tersebut diaktifkan, dan bagian MAKA menunjukkan tindakan atau kesimpulan jika semua kondisi JIKA dipenuhi. Keuntungan menggunakan aturan produksi adalah aturan tersebut mudah dipahami dan aturan baru dapat ditambahkan dengan mudah ke dalam basis pengetahuan tanpa memengaruhi aturan yang telah ada. Ketidakpastian yang dihubungkan dengan tiap aturan dapat ditambahkan untuk meningkatkan keakuratannya. 

Tugas utama pengembangan sistem pakar adalah memperoleh pengetahuan dari manusia dan mengubahnya menjadi aturan produksi yang dapat ditangani mesin inferensi. Mesin inferensi memilih aturan yang dapat diterapkan dari basis pengetahuan, mengintegrasikannya, dan mempertimbangkannya untuk mendapatkan kesimpulan.

Mesin Inferensi Sistem Pakar

Tugas utama pengembangan sistem pakar adalah memperoleh pengetahuan dari manusia dan mengubahnya menjadi aturan produksi yang dapat ditangani mesin inferensi. Mesin inferensi memilih aturan yang dapat diterapkan dari basis pengetahuan, mengintegrasikannya, dan mempertimbangkannya untuk mendapatkan kesimpulan

1. Forward Chaining

Forward chaining adalah mencari bagian JIKA terlebih dahulu. Setelah semua kondisi JIKA dipenuhi, aturan dipilih untuk mendapatkan kesimpulan. Jika kesimpulan diambil dari keadaan pertama, bukan dari yang terakhir, maka ia akan digunakan sebagai fakta untuk disesuaikan dengan kondisi JIKA aturan yang lain untuk mendapatkan kesimpulan yang lebih baik. Proses ini berlanjut hingga dicapai kesimpulan terbaik.

2. Backward Chaining

Backward Chaining adalah kebalikan dari Forward Chaining. Pendekatan ini mulai dari kesimpulan dan hipotesis bahwa kesimpulan adalah benar. Mesin inferensi kemudian mengidentifikasi kondisi JIKA yang diperlukan untuk membuat kesimpulan benar dan mencari fakta untuk menguji apakah kondisi JIKA adalah benar. Jika semua kondisi JIKA adalah benar, maka aturan dipilih dari kesimpulan yang dicapai. Jika beberapa kondisi salah, maka aturan dibuang dan aturan berikutnya digunakan sebagai hipotesis kedua. Jika tidak ada fakta yang membuktikan bahwa semua kondisi JIKA adalah benar atau salah, maka mesin inferensi terus mencari aturan yang kesimpulannya sesuai dengan kondisi JIKA yang tidak diputuskan untuk bergerak satu langkah ke depan memeriksa kondisi tersebut. Serupa pula, proses chaining ini berlanjut hingga suatu set aturan didapat untuk mencapai kesimpulan atau untuk membuktikan tidak dapat mencapai kesimpulan.

Kedua metode inferensi tersebut dipengaruhi oleh tiga macam penelusuran, yaitu:

1. Depth-first search, melakukan penelusuran kaidah secara mendalam dari simpul akar bergerak menurun ke tingkat dalam yang berurutan.
2. Breadth-first search, bergerak dari simpul akar, simpul yang ada pada setiap tingkat diuji sebelum pindah ke tingkat selanjutnya. 
3. Best-first search, bekerja berdasarkan kombinasi kedua metode sebelumnya