Translate

Sabtu, 14 Januari 2017

Algoritma dan Model Pohon Keputusan

MODEL POHON KEPUTUSAN

Pohon keputusan adalah model prediksi menggunakan struktur pohon atau struktur berhirarki. Contoh dari pohon keputusan dapat dilihat di Gambar berikut ini:





Disini, setiap percabangan menyatakan kondisi yang harus dipenuhi dan tiap ujung pohon menyatakan kelas data. Contoh di Gambar adalah identifikasi pembeli komputer,dari pohon keputusan tersebut diketahui bahwa salah satu kelompok yang potensial membeli komputer adalah orang yang berusia di bawah 30 tahun dan juga pelajar. Setelah sebuah pohon keputusan dibangun maka dapat digunakan untuk mengklasifikasikan record yang belum ada kelasnya.

Dimulai dari node root, menggunakan tes terhadap atribut dari record yang belum ada kelasnya tersebut lalu mengikuti cabang yang sesuai dengan hasil dari tes tersebut, yang akan membawa kepada internal node (node yang memiliki satu cabang masuk dan dua atau lebih cabang yang keluar), dengan cara harus melakukan tes lagi terhadap atribut atau node daun. Record yang kelasnya tidak diketahui kemudian diberikan kelas yang sesuai dengan kelas yang ada pada node daun. Pada pohon keputusan setiap simpul daun menandai label kelas. Proses dalam pohon keputusan yaitu mengubah bentuk data (tabel) menjadi model pohon (tree) kemudian mengubah model pohon tersebut menjadi aturan (rule).

ALGORITMA DALAM POHON KEPUTUSAN

Metode ini terus dan semakin berkembang, ada beberapa metode yaitu ID3, C4.5, C5, cart, Sprint, SLIQ Public, ClS, naive bayes, Random Forest, Random Tree, id3+, Oci dan Clouds. Dari sekian algoritma tersebut, yang nantinya akan dikembangkan dan digunakan adalah id3, c4.5, cart dan naive bayes. 4 algor tersebutlah yang umum dan banyak digunakan saat ini.

Sumber:
http://tutorcollection.com/konsep-pohon-keputusan-decision-tree-data-mining/
http://dua7an.blogspot.co.id/2013/12/tentang-pohon-keputusan-decision-tree.html

Pohon Keputusan

KELEBIHAN DAN KEKURANGAN POHON KEPUTUSAN

Kelebihan dari metode pohon keputusan:

Daerah pengambilan keputusan yang sebelumnya kompleks dan sangat global, dapat diubah menjadi lebih simpel dan spesifik.
Eliminasi perhitungan-perhitungan yang tidak diperlukan, karena ketika menggunakan metode pohon keputusan maka sample diuji hanya berdasarkan kriteria atau kelas tertentu.
Fleksibel untuk memilih fitur dari internal node yang berbeda, fitur yang terpilih akan membedakan suatu kriteria dibandingkan kriteria yang lain dalam node yang sama. Kefleksibelan metode pohon keputusan ini meningkatkan kualitas keputusan yang dihasilkan jika dibandingkan ketika menggunakan metode penghitungan satu tahap yang lebih konvensional
Dalam analisis multivariat, dengan kriteria dan kelas yang jumlahnya sangat banyak, seorang penguji biasanya perlu untuk mengestimasikan baik itu distribusi dimensi tinggi ataupun parameter tertentu dari distribusi kelas tersebut. Metode pohon keputusan dapat menghindari munculnya permasalahan ini dengan menggunakan kriteria yang jumlahnya lebih sedikit pada setiap node internal tanpa banyak mengurangi kualitas keputusan yang dihasilkan.

Kekurangan dari metode pohon keputusan:

Terjadi overlap terutama ketika kelas-kelas dan kriteria yang digunakan jumlahnya sangat banyak. Hal tersebut juga dapat menyebabkan meningkatnya waktu pengambilan keputusan dan jumlah memori yang diperlukan.
Pengakumulasian jumlah error dari setiap tingkat dalam sebuah pohon keputusan yang besar.
Kesulitan dalam mendesain pohon keputusan yang optimal.
Hasil kualitas keputusan yang didapatkan dari metode pohon keputusan sangat tergantung pada bagaimana pohon tersebut didesain

Pengertian dan Manfaat Pohon Keputusan

POHON KEPUTUSAN

Pohon keputusan adalah salah satu metode klasifikasi yang paling populer karena mudah untuk diinterpretasi oleh manusia. Pohon keputusan adalah model prediksi menggunakan struktur pohon atau struktur berhirarki. Konsep dari pohon keputusan adalah mengubah data menjadi pohon keputusan dan aturan-aturan keputusan. Atau secara sederhana, pohon keputusan ini merupakan sebuah metode klasifikasi yang dibangun untuk mendapatkan sebuah kesimpulan dari sejumlah data. Penarikan kesimpulan dibuat dalam bentuk pohon, dimana nantinya hasil kesimpulan berbentuk hirarki pohon yaitu dari akar, batang dan daun yang merepresentasikan hasil keputusan didapat.

Pohon keputusan adalah sebuah stuktur flowchart yang setiap node nya merepresentasikan test dalam atribut (contoh, koin bila kita bolak balikan akan menghasilkan kepala, atau ekor), Setiap cabang (branch) mewakili hasil test dan setiap daun node (leaf) mewakili kelas label (hasil keputusan setelah menghitung semua atribut).  Bagian dari akar (root) hingga ke daun merepresentasikan dari rules (aturan) yang terbentuk.

Manfaat utama dari penggunaan pohon keputusan adalah kemampuannya untuk mem-break down proses pengambilan keputusan yang kompleks menjadi lebih simpel sehingga pengambil keputusan akan lebih menginterpretasikan solusi dari permasalahan. Pohon Keputusan juga berguna untuk mengeksplorasi data, menemukan hubungan tersembunyi antara sejumlah calon variabel input dengan sebuah variabel target.

Pohon keputusan memadukan antara eksplorasi data dan pemodelan, sehingga sangat bagus sebagai langkah awal dalam proses pemodelan bahkan ketika dijadikan sebagai model akhir dari beberapa teknik lain. Sering terjadi tawar menawar antara keakuratan model dengan transparansi model. Dalam beberapa aplikasi, akurasi dari sebuah klasifikasi atau prediksi adalah satu-satunya hal yang ditonjolkan, misalnya sebuah perusahaan direct mail membuat sebuah model yang akurat untuk memprediksi anggota mana yang berpotensi untuk merespon permintaan,tanpa memperhatikan bagaimana atau mengapa model tersebut bekerja.

BC

Backward Chaining

Backward chaining merupakan strategi pengambilan keputusan atau kesimpulan dengan pencocokan fakta atau pernyataan yang dimulai dari bagian sebelah kanan (Then lebih dahulu). Dengan kata lain, penalaran dimulai dari hipotesis terlebih dahulu, dan untuk menguji kebenaranhipotesis tersebut harus dicari fakta-fakta yang ada dalam basis pengetahuan. Backward chaining memulai proses pencarian dengan suatu tujuan sehingga strategi ini disebut juga goal-driven.

Sebagai contoh penalaran mundur (backward chaining) adalah pengecekan kerusakan mesin yang tidak dimulai dari pengecekan macam-macam kerusakan, tetapi dimulai dengan hipotesis akhir, bahwa tekanan kompresi di dalam silinder mesin terlalu rendah dan ingin dibuktikan bahwa kerusakan tersebut merupakan kerusakan mesin akibat kehilangan daya. Oleh sebab itu penalaran akan dimulai dari hipotesis hingga kemudian sampai pada pembuktiannya.

Contoh lain, diketahui sistem pakar dengan aturan-aturan sebagai berikut :
R1       : IF suku bunga turun THEN harga obligasi naik
R2       : IF suku bunga naik THEN harga obligasi turun
R3       : IF suku bunga tidak berubah THEN harga obligasi tidak berubah
R4       : IF dolar naik THEN suku bunga turun
R5       : IF dolar turun THEN suku bunga naik
R6       : IF harga obligasi turun THEN beli obligasi
Apabila diketahui bahwa dolar turun, maka untuk memutuskan apakah akan membeli obligasi atau tidak dapat ditunjukkan sebagai berikut:
  • Penyelesaian dengan Forward Chaining


  • Penyelesaian dengan Backward Chaining
 

Sumber :

FC

Forward Chaining

Forward chaining merupakan metode pencarian yang memulai proses pencarian dari sekumpulan fakta atau dari bagian sebelah kiri dulu (IF), dari fakta-fakta tersebut dicari suatu kesimpulan yang menjadi solusi dari permasalahan yang dihadapi. Mesin inferensi mencari kaidah-kaidah dalam basis pengetahuan yang premisnya sesuai dengan fakta-fakta tersebut, kemudian dari aturan-aturan tersebut diperoleh suatu kesimpulan.

Forward chaining kadang disebut data-driven karena inference engine menggunakan informasi yang ditentukan oleh user untuk memindahkan ke seluruh jaringan dari logika ‘AND’ dan ‘OR’ sampai sebuah terminal ditentukan sebagai objek. Bila inference engine tidak dapat menentukan objek maka akan meminta informasi lain. Aturan (Rule) dimana menentukan objek, membentuk path (lintasan) yang mengarah ke objek. Oleh karena itu, hanya satu cara untuk mencapai satu objek adalah memenuhi semua aturan.

Forward chaining merupakan grup dari multiple inferensi yang melakukan pencarian dari suatu masalah kepada solusinya. Jika klausa premis sesuai dengan situasi (bernilai True), maka proses akan meng-assert konklusi. Jika suatu aplikasi menghasilkan tree yang lebar dan tidak dalam, maka gunakan forward chaining.

IE

Mesin Inferensi (Inference Engine)

Mesin inferensi berperan sebagai otak dari sistem pakar. Mesin inferensi berfungsi untuk memandu proses penalaran terhadap suatu kondisi, berdasarkan pada basis pengetahuan yang tersedia. Di dalam mesin inferensi terjadi proses untuk memanipulasi dan mengarahkan kaidah, model, dan fakta yang disimpan dalam basis pengetahuan dalam rangka mencapai solusi atau kesimpulan. Dalam prosesnya, mesin inferensi menggunakan strategi penalaran dan strategi pengendalian.

Strategi penalaran terdiri dari strategi penalaran pasti (Exact Reasoning) dan strategi penalaran tak pasti (Inexact Reasoning). Exact reasoning akan dilakukan jika semua data yang dibutuhkan untuk menarik suatu kesimpulan tersedia, sedangkan inexact reasoning dilakukan pada keadaan sebaliknya. Strategi pengendalian berfungsi sebagai panduan arah dalam melakukan prose penalaran. Terdapat tiga teknik pengendalian yang sering digunakan, yaitu forward chaining, backward chaining, dan gabungan dari kedua teknik pengendalian tersebut. Proses chaining (forward chainingdan backward chaining). Kedua metode ini mempunyai kelebihan tersendiri, semuanya itu tergantung terutama dari kondisi permasalahan yang dihadapi dan basis pengetahuan.

 Materi Knowledge base

PERAN KNOWLEDGE BASE

Sistem cerdas yang banyak dipakai dalam aplikasi bisnis adalah sistem pakar (expert system), yaitu sistem yang meniru kepakaran (keahlian) seseorang dalam bidang tertentu dalam menyelesaikan suatu permasalahan (Horn, J986). Sering kali sistem pakar juga disebut sistem berbasis penge­tahuan (knowledge based system). Namun, sebenarnya sistem pakar hanyalah salah satu macam sistem yang berbasis pengetahuan.

Dalam hal memformulasikan dan memecahkan masalah, maka knowledge ini berperan untuk memecahkan masalah – masalah yang sedang terjadi pada komputer. Apabila sistem pakar tidak memiliki knowledge base maka sistem pakar sulit untuk memecahkan masalah yang terjadi karena knowledge base digunakan untuk dapat membantu manusia dalam menyelesaikan masalah yang dihadapi dengan berdasarkan atas pengetahuan yang telah diprogramkan ke sistem tersebut.

Ada 3 modul sistem kerja pakar, yaitu:

Modul Penerimaan Pengetahuan

Untuk mendapatkan pengetahuan sistem pakar dilakukan proses penerimaan pengetahuan. Proses ini dilakukakan melalui interaksi dengan pakar penerimaan pengetahuan dilakukan dengan bantuan Knowledge Engineer (KE), yaitu seorang spesialis sistem yang menterjemahkan pengetahuan yang dimiliki seorang pakar menjadi pengetahuan yang akan tersimpan dalam basis pengetahuan pada sebuah sistem pakar

Modul Konsultasi

Sistem pakar pada modul konsultasi apabila sistem memberikan konsultasi berupa jawaban atas permasalahan yang diajukan oleh pemakai pada modul ini pemakai yang awam berinteraksi dengan sistem dengan memasukkan data dan jawaban-jawaban pertanyaan sistem.Data yang dimasukkan oleh pemakai ditempatkan dalam database sistem dan kemudian diakses oleh pembangkit inference untuk mendapatkan kesimpulan.

Modul Penjelasan

Modul Penjelasan adalah menjelaskan proses pengambilan keputusan yang dilakukan oleh sistem.

Cara Representasi Knowledge Base

Knowledge Representation Basis Pengetahuan adalah sebuah basis data pengetahuan yang terdiri dari kumpulan objek beserta aturan dan atributnya (sifat atau cirinya), contoh : If hewan merupakan sayap dan bertelur then hewan jenis burung.

Knowledge base merupakan representasi pengetahuan dari seorang pakar yang diperlukan untuk memahami, memformulasikan dan memecahkan masalah. Terdiri dari dua elemen dasar, yaitu :
Fakta yang berupa informasi tentang situasi permasalahan, teori dari area permasalahan atau informasi tentang objek.
Spesial heuristik yang merupakan informasi tentang cara bagaimana membangkitkan fakta baru dari fakta yang sudah diketahui. Dalam sistem pakar berbasis rule, bagian ini berupa rules.

Knowledge base ini bagian totalitas keahlian pakar yang telah disarikan dan diformat ke dalam external memory komputer. Sampai saat ini terdapat berbagai cara representasi pengetahuan yang telah dikenal, contohnya :

Rule-Based Knowledge

Pengetahuan direpresentasikan dalam suatu bentuk fakta dan aturan. Bentuk representasi ini terdiri atas premise dan kesimpulan. Pada penalaran berbasis aturan, pengetahuan dipersentasikan dengan menggunakan aturan berbentuk “IF-THEN”. Bentuk itu digunakan apabila kita memiliki sejumlah pengetahuan pakar pada suatu permasalahan tertentu, dan pakar dapat menyelesaikan masalah tersebut secara berurutan. Disamping itu, dapat juga digunakan apabila dibutuhkan penjelasan tentang langkah - langkah pencapaian solusi.

Case-Base Reasoning

Pada penalaran berbasis kasus, basis pengetahuan berisi solusi - solusi yang telah dicapai sebelumnya, kemudian akan diturunkan suatu solusi untuk keadaan yang terjadi sekarang (fakta yang ada). Bentuk ini digunakan apabila user menginginkan untuk mengetahui lebih banyak lagi pada kasus - kasus yang hampir sama. Selain itu, bentuk ini juga digunakan apabila kita telah memiliki sejumlah situasi atau kasus tertentu dalam basis pengetahuan atau dapat diartikan pengetahuan direpresentasikan dalam bentuk kesimpulan kasus.

Frame-Based Knowledge

Pengetahuan direpresentasikan dalam suatu bentuk hirarki atau jaringan frame.

Object-Based Knowledge

Pengetahuan direpresentasikan sebagai jaringan dari objek - objek. Objek adalah elemen data yang terdiri dari data dan metode (proses).

Knowledge Base atau Basis Pengetahuan

Knowledge Base secara umum adalah suatu bentuk basis data tertentu yang digunakan dalam manajemen pengetahuan. Basis pengetahuan berperan dalam proses mengumpulkan, mengorganisasikan, maupun mendapatkan kembali suatu pengetahuan.

Dalam expert sistem, knowledge base merupakan satu komponen yang sangat penting. Basis pengetahuan menyimpan semua pengetahuan yang dimiliki oleh pakar yang berkompeten dalam bidang yang berkaitan. Basis pengetahuan adalah dasar pengambilan keputusan dalam suatu sistem pakar, di mana pengambilan keputusan ini berkaitan dengan proses untuk mendapatkan kembali pengetahuan yang sebelumnya telah dikumpulkan dan disimpan.

Sebuah basis pengetahuan terdiri dari sekian paket data berukuran besar, deskripsi dari data tersebut (metadata), dan serangkaian besar aturan - aturan. Secara umum, basis pengetahuan memiliki sifat yang dinamis, dengan kemampuan dan kapasitas untuk belajar, sehingga dekat dengan topik kecerdasan buatan. Untuk mengelola suatu basis pengetahuan, dibutuhkan suatu sistem manajemen basis pengetahuan yang biasanya memiliki kemampuan sebagai berikut :
Membuat simpulan berdasarkan aturan - aturan, deskripsi data, dan fakta untuk menghasilkan informasi yang baru. Hal ini dibutuhkan karena pengguna sistem harus bisa menarik kesimpulan meski dengan ketidaklengkapan informasi.
Mekanisme untuk melakukan perbaruan (semisal, memasukkan, menghapus, atau memodifikasi) basis pengetahuan.
Kemampuan untuk mengoptimalkan query. Bila sistem tidak memiliki query, maka aktivitas pencarian informasi bisa berlangsung amat lama.
Kemampuan untuk mengintegrasikan beragam basis pengetahuan. Kemampuan semacam ini sangat dibutuhkan terutama oleh organisasi yang tersebar secara lokasi.
Kemampuan untuk menyediakan jawaban yang bersifat kooperatif kepada pengguna. Semisal saja, pengguna perlu tahu manakala sebuah query ternyata tidak bisa memberikan suatu keluaran dikarenakan kondisi keterbatasan basis data, atau data yang di query kan ternyata tidak tersedia di dalam basis data.
Kemampuan untuk melakukan penggalian data, atau penemuan pengetahuan di dalam basis data. Penggalian data merupakan suatu bentuk cara berpikir induktif, yang mana membentuk suatu aturan dari suatu atau rangkaian kasus yang ada.

Knowledge base berisi pengetahuan - pengetahuan dalam penyelesaian masalah, yaitu :
Domain pengetahuan seorang pakar pada dasarnya adalah spesifik terhadap domain masalah.
Inference engine bertugas untuk menganalisis pengetahuan dan menarik kesimpulan berdasarkan knowledge base.

Konsep Dasar pada Expert System

Menurut Efraim Turban, sistem pakar harus mengandung elemen-elemen sebagai berikut :
1) Pengalaman
2) Orang ahli (pakar)
3) Transfer pengalaman
4) Pembuatan alasan
5) Pembuatan simbol
6) Aturan
7) Kemampuan untuk menjelaskan
Keahlian adalah suatu kelebihan penguasan pengetahuan di bidang tertentu yang diperoleh dari pelatihan, membaca atau pengalaman. Bentuk pengetahuan :
1) Fakta - fakta pada lingkup permasalahan tertentu
2) Teori - teori pada lingkup masalah tertentu
3) Prosedur - prosedur berkenaan dengan lingkup masalah tertentu
4) Strategi - strategi global untuk menyelesaikan masalah meta-knowledge (pengetahuan tentang pengetahuan)

Keuntungan expert system bagi Manajer dan Perusahaan

Expert system memiliki beberapa keuntungan yang berguna, baik bagi manajer maupun bagi perusahaan. Contoh keuntungan bagi Manajer, yaitu :
Mempertimbangkan lebih banyak alternatif
Sistem pakar memungkinkan manajer untuk mempertimbangkan lebih banyak alternatif dalam proses memecahkan suatu masalah. Misalnya, manajer keuangan yang biasanya hanya mampu menelusuri kinerja 30 saham, karena banyaknya volume data yang harus dipertimbangkan dapat menelusuri 300 saham dengan bantuan sistem pakar. Dengan kemampuan mempertimbangkan lebih banyak peluang investasi, kemungkinan untuk memilih alternatif terbaik meningkat.

     2. Menerapkan logika yang lebih tinggi

Manajer yang menggunakan sistem pakar dapat menerapkan logika yang sama seperti seorang pakar yang sangat ahli.

     3. Menyediakan lebih banyak waktu untuk mengevaluasi hasil keputusan

Manajer dapat memperoleh nasihat dari sistem pakar secara lebih cepat, sehingga lebih banyak waktu yang tersedia untuk menimbang kemungkinan hasil sebelum tindakan dilakukan.

    4. Membuat keputusan yang lebih konsisten

Komputer tidak merasakan hari baik atau hari buruk seperti manajer manusia. Setelah penalaran di program dalam komputer, manajer tahu bahwa proses solusi yang sama akan diikuti untuk tiap masalah.

Contoh keuntungan sistem pakar bagi perusahaan, yaitu :

1.    Kinerja perusahaan yang lebih baik

Karena manajer perusahaan memiliki kemampuan yang lebih luas dalam memecahkan masalah melalui penggunaan sistem pakar, mekanisme pengendalian perusahaa  meningkat. Dalam hal ini, perusahaan lebih mampu memenuhi tujuannya.

2.    Mempertahankan pengendalian atas pengetahuan perusahaan

Sistem pakar memberikan kesempatan untuk membuat pengetahuan pegawai yang berpengalaman tersedia untuk pegawai yang baru dan kurang berpengalaman serta menyimpan pengetahuan itu dalam perusahaan lebih lama, bahkan setelah pegawai itu berhenti.

Expert system dikembangkan pertama kali oleh komunitas AI tahun 1960-an. expert system yang pertama adalah General Purpose Problem Solver (GPS) yang dikembangkan oleh Newel Simon.
             
Adapun beberapa expert system yang terkenal beserta dengan kegunaannya, antara lain :

Sistem Pakar
Kegunaan
MYCIN
Dirancang oleh Edward Feigenbaum (Universitas Stanford) th ’70 an
Diagnosa Penyakit
DENDRAL
Mengidentifikasi struktur mo-lecular campuran yang tidak dikenal
XCON & XSEL
Dikembangkan oleh Digital Equipment Corporation (DEC) dan Carnegie Mellon Universitas (CMU), akhir ’70 an
Membantu konfigurasi system computer besar
SOPHIE
Analisis sirkuit elektronik
PROSPECTOR
Didesign oleh Sheffield Research Institute, akhir ‘70an
Digunakan di dalam geologi untuk membantu mencari dan menemukan deposit
FOLIO
Membantu memberikan keputusan bagi seorang manajer dalam hal stok broker dan investasi
DELTA
Pemeliharaan lokomotif listrik diesel


Sebagai suatu sistem pendukung keputusan, Sistem Pakar menawarkan kemampuan yang unik dan menjadi daya tarik. Keunikan itu adalah :
Sistem Pakar menawarkan kesempatan untuk membuat keputusan yang melebihi kemampuan manajer. Contohnya, seorang pejabat investasi baru suatu bank dapat menggunakan sistem pakar yang dirancang oleh seorang pakar investasi terkemuka, dan saat menggunakannya, menyatukan pengetahuan pakar itu ke dalam keputusan investasinya.
     2. Sistem pakar dapat menjelaskan alur penalarannya dalam mencapai suatu pemecahan tertentu.



Minggu, 08 Januari 2017

Basis Pengetahuan Pada Sistem Pakar

Pada Expert System terdapat komponen-komponen pembentuknya.

Komponen sistem pakar ada empat bagian :

1.      KNOWLEDGE BASE (BASIS PENGETAHUAN).

Knowledge Base (Basis pengetahuan) merupakan inti dari program sistem pakar karena basis pengetahuan itu merupakan presentasi pengetahuan atau knowledge representation basis pengetahuan adalah sebuah basis data yang menyimpan aturan-aturan tentang suatu domain knowledge/pengetahuan tertentu. Basis pengetahuan ini terdiri dari kumpulan objek beserta aturan dan atributnya (sifat atau cirinya), tentu saja di dalam domain tertentu. Contoh :If hewan merupakan sayap dan bertelur then hewan jenis burung.

Ada 2 bentuk pendekatan basis pengetahuan yang sangat umum digunakan yaitu :

  1. Rule-Based Reasoning (Penalaran berbasis Aturan)
    Pada penalaran berbasis aturan, pengetahuan direpresentasi-kan dengan menggunakan aturan berbentuk IF-THEN. Bentuk ini digunakan jika kita memiliki sejumlah pengetahuan pakar pada suatu permasalahan tertentu, dan pakar dapat menyelesaikan masalah tersebut secara berurutan. Bentuk ini juga digunakan jika dibutuhkan penjelasan tentang jejak (langkah-langkah) pencapaian solusi.
  2.  Case-Based Reasoning (Penalaran berBasis Kasus).
    Basis pengetahuan akan berisi solusi-solusi yang telah di-capai sebelumnya, kemudian akan diturunkan suatu solusi untuk keadaan yang terjadi sekarang (fakta yang ada). Bentuk ini digunakan jika pemakai (user) menginginkan untuk tahu lebih banyak lagi pada kasus-kasus yang hampir sama (mirip). Bentuk ini juga digunakan jika kita telah memiliki sejumlah situasi atau kasus tertentu dalam basis pengetahuan.

Pembuktian metode Interferensi (Hukum Konjungsi)

Pembuktian hukum konjungsi pada skema interferensi :

Hukum konjungsi memiliki skema seperti berikut

p

q

\pÙq

 

Konjungsi adalah kata lain dari perangkai (Dan/And).Konjungsi memiliki tabel kebenaran seperti berikut :

P
Q
P
Q
P ^ Q
P ^ Q
TRUE
TRUE
1
1
TRUE
1
TRUE
FALSE
1
0
FALSE
0
FALSE
TRUE
0
1
FALSE
0
FALSE
FALSE
0
0
FALSE
0

 

CONTOH LOGIKA :

p : Hujan mulai reda

q : Pak Tani mulai mencangkul di sawah

 

Penyelesaian:

p˄q : Hujan mulai reda dan Pak Tani mulai mencangkul di sawah

Pada contoh logika diatas dapat diketahui bahwa untuk memenuhi hukum konjungsi kedua variabel harus bernilai benar agar mendapatkan hasil yang benar,dan jika disalah satu variabel bernilai salah maka hasil akan bernilai salah.