Backward Chaining

Back to IF3170 Inteligensi Artifisial

Topic

Questions/Cues

• Apa itu Backward Chaining?

• Apa nama lain dari proses ini?

• Perbedaan utama dengan Forward Chaining?

• Bagaimana alur kerja dasarnya?

• Apa itu prosedur FindOut(Goal)?

• Apa itu prosedur Monitor(Rule)?

• Bagaimana proses rekursif terjadi?

• Apa saja fitur/keunggulan RBS?

Reference Points

• Materi-06-Seg-03-RBS---Backward-Chaining.pdf

Definisi Backward Chaining

Backward Chaining adalah metode inferensi dalam RBS yang bekerja secara goal-driven (digerakkan oleh tujuan). Berbeda dengan Forward Chaining yang memulai dari fakta, Backward Chaining memulai dari sebuah hipotesis atau tujuan (goal) dan bekerja secara mundur untuk menemukan fakta-fakta yang mendukungnya. Proses ini sering juga disebut Goal-Driven Reasoning.

Perbandingan Forward vs. Backward Chaining

Fitur	Forward Chaining	Backward Chaining
Arah Penalaran	Dari Fakta -> ke Kesimpulan	Dari Tujuan <- ke Fakta
Pemicu	Data-driven (digerakkan data)	Goal-driven (digerakkan tujuan)
Pencocokan	Mencocokkan fakta dengan LHS (premis) aturan.	Mencocokkan tujuan dengan RHS (konklusi) aturan.
Pertanyaan	”Apa yang bisa disimpulkan dari fakta-fakta ini?"	"Apakah tujuan/hipotesis ini benar?”

Alur Kerja Backward Chaining

Alur kerjanya dapat diibaratkan seperti seorang detektif yang memiliki hipotesis (“Tersangka X pelakunya”) dan harus mencari bukti-bukti untuk memvalidasi hipotesis tersebut. Proses ini diimplementasikan melalui dua prosedur utama yang saling memanggil (rekursif): FindOut dan Monitor.

1. Prosedur FindOut(GOAL)

Fungsi ini bertujuan untuk mencari tahu apakah sebuah GOAL (tujuan) bisa dibuktikan benar.

1. Sistem mencari semua aturan di Production Memory yang bagian RHS (konklusinya) bisa memenuhi GOAL. Aturan-aturan ini menjadi daftar kandidat.

2. Sistem akan mencoba setiap aturan kandidat satu per satu dengan memanggil prosedur Monitor(RULE).

3. Jika tidak ada aturan yang bisa menghasilkan GOAL, sistem akan menganggap GOAL sebagai sebuah sub-tujuan yang harus ditanyakan, entah ke pengguna atau dengan mencarinya langsung di Working Memory.

2. Prosedur Monitor(RULE)

Fungsi ini bertugas memeriksa apakah sebuah RULE (aturan) kandidat dapat dieksekusi.

4. Sistem akan memeriksa setiap kondisi (premis) di bagian LHS aturan tersebut, satu per satu.

5. Untuk setiap premis, sistem akan memeriksa apakah premis tersebut sudah terbukti benar (ada sebagai fakta di Working Memory).

6. Jika sebuah premis belum diketahui nilainya, sistem akan memanggil FindOut(premis_tersebut). Di sinilah proses rekursif terjadi, di mana sebuah premis menjadi sub-goal baru yang harus dibuktikan.

7. Jika semua premis di LHS berhasil dibuktikan benar, maka RULE tersebut dieksekusi (fire), dan konklusinya (RHS) ditambahkan sebagai fakta baru ke Working Memory.

Fitur dan Keunggulan Rule-Based System

Secara umum, pendekatan RBS memiliki beberapa keunggulan inheren:

• Modularity: Setiap aturan adalah sebuah potongan pengetahuan yang kecil dan relatif independen. Ini memudahkan pengelolaan basis pengetahuan.

• Incrementability: Aturan baru dapat ditambahkan ke sistem dengan mudah tanpa harus mengubah aturan-aturan lama secara drastis.

• Modifiability: Aturan yang sudah ada dapat diubah atau diperbarui secara independen.

• Transparency: Proses penalaran (terutama pada sistem yang memiliki explanation component) bisa dijelaskan kepada pengguna. Sistem bisa menunjukkan aturan-aturan mana yang digunakan untuk mencapai sebuah kesimpulan, sehingga tidak seperti “kotak hitam”.

Summary

Backward Chaining adalah metode inferensi goal-driven yang dimulai dari sebuah hipotesis (tujuan) dan bekerja mundur dengan mencocokkan tujuan tersebut pada bagian konklusi (RHS) dari aturan-aturan yang ada. Melalui proses rekursif menggunakan prosedur FindOut dan Monitor, sistem mencoba membuktikan setiap premis (LHS) dari aturan tersebut, yang seringkali menjadi sub-tujuan baru, hingga semua premis terbukti benar dari fakta yang ada atau input dari pengguna. Pendekatan ini, bersama dengan sifat modular dan transparan dari RBS, menjadikannya kuat untuk tugas-tugas diagnostik dan pembuktian hipotesis.

Additional Information

Topik Teknis 1: Kapan Sebaiknya Menggunakan Backward Chaining?

Backward Chaining sangat efisien ketika jumlah kemungkinan hasil/kesimpulan tidak terlalu banyak, dan Anda ingin memverifikasi salah satunya. Ini membuatnya ideal untuk:

• Sistem Diagnostik: Misalnya, sistem diagnosis medis atau troubleshooting kerusakan mesin. Anda mulai dengan hipotesis (misal: Goal = "penyakitnya adalah demam berdarah" atau Goal = "kerusakannya ada di power supply"). Sistem kemudian akan bekerja mundur, menanyakan gejala atau data yang relevan (FindOut("apakah pasien demam tinggi?"), FindOut("apakah ada bintik merah?")) untuk membuktikan atau menyangkal hipotesis tersebut.

• Sistem Penasihat (Advisory Systems): Sistem yang memberikan rekomendasi. Misalnya, Goal = "rekomendasikan investasi". Sistem akan mencoba membuktikan sub-goal seperti FindOut("profil_risiko_investor") dan FindOut("tujuan_investasi").

• Perencanaan dan Robotika: Menemukan serangkaian tindakan untuk mencapai tujuan. Goal = "buka pintu". Sistem akan mencari aturan yang RHS-nya adalah pintu_terbuka, lalu bekerja mundur untuk memenuhi premisnya, seperti FindOut("pegang gagang pintu") dan FindOut("putar gagang pintu").

Topik Teknis 2: Risiko Infinite Loops

Karena sifat rekursifnya, Backward Chaining rentan terhadap infinite loops jika basis pengetahuannya tidak dirancang dengan hati-hati. Contoh sederhana:

• Rule 1: IF B is true THEN A is true

• Rule 2: IF A is true THEN B is true

Jika kita memulai dengan FindOut(A), sistem akan menggunakan Rule 1 dan mencoba FindOut(B). Untuk membuktikan B, sistem akan menggunakan Rule 2 dan mencoba FindOut(A), yang membawa kita kembali ke titik awal. Sistem yang canggih biasanya memiliki mekanisme untuk mendeteksi perulangan seperti ini (misalnya dengan melacak tumpukan tujuan atau goal stack) dan menghentikan prosesnya.

Eksplorasi Mandiri

• Lacak Contoh Teater: Ambil kembali kasus “pergi ke teater” dari materi. Mulailah dengan tujuan FindOut(Action). Lacak secara manual aturan mana yang akan dicoba oleh sistem dan pertanyaan apa yang akan diajukan ke pengguna untuk membuktikan sub-tujuan seperti FindOut(Means) atau FindOut(Distance). Anda akan melihat prosesnya sangat berbeda dibandingkan dengan Forward Chaining.

Sumber & Referensi Lanjutan:

• Buku Teks: Artificial Intelligence: A Modern Approach oleh Stuart Russell dan Peter Norvig memiliki bab yang sangat baik yang membahas kedua strategi chaining ini dengan detail.

• MYCIN: Cari informasi tentang MYCIN, salah satu expert system medis paling awal dan terkenal. MYCIN menggunakan Backward Chaining untuk mendiagnosis infeksi darah dan merupakan studi kasus klasik yang hebat.