1. Reasoning berbasis aturan (rule-based reasoning) adalah salah satu pendekatan dalam kecerdasan artifisial yang menggunakan seperangkat aturan atau "rules" untuk mengambil keputusan atau menyelesaikan masalah. Sistem ini biasanya terdiri dari dua komponen utama: basis pengetahuan (knowledge base) dan mesin inferensi (inference engine).
cara kerja sistem berbasis aturan
1.Pengumpulan Fakta: Sistem menerima input dalam bentuk fakta-fakta yang relevan dengan masalah yang dihadapi. Fakta ini bisa berupa data yang dikumpulkan dari pengguna atau sumber lain.
2.Penerapan Aturan: Mesin inferensi memeriksa fakta-fakta yang ada dan membandingkannya dengan aturan-aturan dalam basis pengetahuan. Jika fakta-fakta memenuhi kondisi dari suatu aturan, maka kesimpulan dari aturan tersebut dapat diambil.
a.Forward Chaining: Dalam metode ini, proses dimulai dari fakta yang sudah diketahui dan menerapkan aturan untuk menghasilkan fakta baru. Proses ini berlanjut hingga tidak ada aturan yang bisa diterapkan lagi.
b. Backward Chaining: Metode ini dimulai dari kesimpulan yang ingin dicapai dan berusaha mencari fakta-fakta yang mendukung kesimpulan tersebut. Jika kesimpulan tidak dapat dibuktikan oleh fakta yang ada, sistem akan mencari aturan yang dapat membuktikannya.
3. Pengambilan Keputusan: Berdasarkan hasil dari penerapan aturan, sistem dapat mengambil keputusan atau memberikan rekomendasi kepada pengguna
2. Penalaran berbasis kasus (case-based reasoning, CBR) adalah pendekatan dalam kecerdasan artifisial yang menggunakan pengalaman masa lalu untuk menyelesaikan masalah baru. Metode ini berfokus pada pengambilan keputusan berdasarkan kasus-kasus sebelumnya yang relevan, alih-alih menggunakan aturan yang telah ditentukan secara eksplisit.
Cara kerja :
-
Pengumpulan Kasus:
- Sistem CBR memiliki basis data yang berisi berbagai kasus yang telah dipecahkan sebelumnya. Setiap kasus biasanya terdiri dari dua bagian utama: deskripsi masalah (problem description) dan solusi (solution).
-
Identifikasi Masalah:
- Ketika sistem dihadapkan pada masalah baru, langkah pertama adalah menganalisis dan mendeskripsikan masalah tersebut. Ini melibatkan pengumpulan informasi yang relevan dan penentuan karakteristik dari masalah baru.
-
Pencarian Kasus yang Relevan:
- Sistem kemudian mencari dalam basis data untuk menemukan kasus-kasus yang mirip atau relevan dengan masalah yang sedang dihadapi. Proses ini biasanya melibatkan teknik pencocokan pola (pattern matching) untuk menemukan kesamaan antara masalah baru dan kasus-kasus yang ada.
-
Adaptasi Solusi:
- Setelah menemukan satu atau beberapa kasus yang relevan, sistem akan mengambil solusi dari kasus tersebut. Namun, solusi ini mungkin perlu diadaptasi agar sesuai dengan konteks masalah baru. Proses adaptasi ini melibatkan modifikasi solusi berdasarkan perbedaan antara kasus lama dan kasus baru.
-
Penerapan Solusi:
- Solusi yang telah diadaptasi kemudian diterapkan untuk menyelesaikan masalah baru.
-
Pembelajaran dan Penyimpanan Kasus Baru:
- Setelah masalah diselesaikan, sistem dapat menyimpan kasus baru (masalah dan solusi) ke dalam basis data untuk digunakan di masa depan. Ini memungkinkan sistem untuk belajar dari pengalaman dan meningkatkan kemampuannya seiring waktu.