Tugas Grafik Komputer dan Pengolahan Citra

Tugas Grafik Komputer dan Pengolahan Citra menjelaskan membuat garis vertikal,horizontal,dan diagonal.menggunakan software Netbeans IDE 8.1

Berikut adalah link download dari tugas :

File JAR:
File JAR
File PDF:
link PDF

Teknik Pencarian Heuristik

Teknik Pencarian Heuristik (Heuristic Search)

Heuristik adalah sebuah teknik yang mengembangkan efisiensi dalam proses pencarian,namum dengan kemungkinan mengorbankan kelengkapan (completeness).

Fungsi heuristik digunakan untuk mengevaluasi keadaan-keadaan problema individual dan menentukan seberapa jauh hal tersebut dapat digunakan untuk mendapatkan solusi yang diinginkan.

Jenis-jenis Heuristic Searching:

– Generate and Test.

– Hill Climbing.

PEMBANGKITAN dan PENGUJIAN (Generate and Test)

§  Metode ini merupakan penggabungan antara depth-first search dengan pelacakan mundur (backtracking), yaitu bergerak ke belakang menuju pada suatu keadaan awal.

§  Algoritma :

1. Bangkitkan suatu kemungkinan solusi (membangkitkan suatu tititk tertentu atau lintasan tertentu dari keadaan awal).

2. Uji untuk melihat apakah node tersebut benar-benar merupakan solusinya dengan cara membandingkan node terebut atau node akhir dari suatu lintasan yang  dipilih dengan kumpulan tujuan yang diharapkan.

3. Jika solusi ditemukan, keluar. Jika tidak, ulangi kembali langkah pertama.

§  Contoh : “Travelling Salesman Problem (TSP)”

*) Seorang salesman ingin mengunjungi n kota. Jarak antara tiap-tiap kota sudah diketahui. Kita ingin mengetahui ruter terpendek dimana setaip kota hanya  boleh dikkunjungi tepat 1 kali. Misalkan ada 4 kota  dengan jarak antara tiap-tiap kota seperti berikut ini :

Alur pencarian dengan Generate and Test 

PENDAKIAN BUKIT (Hill Climbing)

§  Metode ini hampir sama dengan metode pembangkitan dan pengujian, hanya saja proses pengujian dilakukan dengan menggunakan fungsi heuristic. Pembangkitan keadaan berikutnya tergantung pada feedback dari prosedur pengetesan. Tes yang berupa fungsi heuristic ini akan menunjukkan seberapa baiknya nilai terkaan yang diambil terhadap keadaan-keadaan lainnyayang mungkin.

§  Algoritma:

1. Cari operator yang belum pernah digunakan; gunakan operator ini untuk mendapatkan keadaan yang baru.

a) Kerjakan langkah-langkah berikut sampai solusinya ditemukan atau sampai tidak ada operator baru yang akan diaplikasikan pada keadaan sekarang : Cari operator yang belum digunakan; gunakan operator ini untuk mendapatkan keadaan yang baru.

b) Evaluasi keadaan baru tersebut : – Jika keadaan baru merupakan tujuan, keluar – Jika bukan tujuan, namun nilainya lebih baik daripada keadaan sekarang, maka jadikan keadaan baru tersebut menjadi keadaan sekarang. – Jika keadaan baru tidak lebih baik daripada keadaan sekarang, maka lanjutkan iterasi.

§  Contoh: TSP dengan Simple Hill Climbing Disini ruang keadaan berisi semua kemungkinan lintasan yang mungkin. Operator digunakan untuk menukar posisi kota-kota yang bersebelahan. Apabila ada n kota, dan kita ingin mencari kombinasi lintasan dengan menukar posisi urutan 2 kota, maka kita akan mendapatkan sebanyak n!/2!(n-2)!  atau sebanyak 6 kombinasi. Fungsi heuristic yang digunakan adalah panjang lintasan yang terjadi.

SUMBER :

http://shabri-prayogi.blogspot.co.id/2013/08/teknik-pencarian-heuristik-heuristic.html

Metode pencarian

Pengertian Breadth-First Search

Algoritma Breadth-First Search (BFS) atau dikenal juga dengan nama algoritma pencarian melebar adalah algoritma yang melakukan pencarian secara melebar yang mengunjungi simpul secara preorder yaitu mengunjungi suatu simpul kemudian mengunjungi semua simpul yang bertetangga dengan simpul tersebut terlebih dahulu. Selanjutnya, simpul yang belum dikunjungi dan bertetangga dengan simpulsimpul yang tadi dikunjungi , demikian seterusnya. Jika graf berbentuk pohon berakar, maka semua simpul pada aras ddikunjungi lebih dahulu sebelum simpul-simpul pad aras d+1.

Algoritma ini memerlukan sebuah antrian q untuk menyimpan simpul yang telah dikunjungi. Simpul-simpul ini diperlukan sebagai acuan untuk mengunjungi simpul-simpul yang bertetanggaan dengannya. Tiap simpul yang telah dikunjungi masuk ke dalam antrian hanya satu kali. Algoritma ini juga membutuhkan table Boolean untuk menyimpan simpul yang telah dikunjungi sehingga tidak ada simpul yang dikunjungi lebih dari satu kali.Breadth-first search (BFS) melakukan proses searching pada semua node yang berada pada level atau hirarki yang sama terlebih dahulu sebelum melanjutkan proses searching pada node di level berikutnya. Urutan proses searching BFS ditunjukkan dalam Gambar 1.1 adalah: A,B,C,D,E,F, ...

Gambar 1.1 : Diagram pohon dari BFS.

Cara Kerja Algoritma BFS

Dalam algoritma BFS, simpul anak yang telah dikunjungi disimpan dalam suatu antrian. Antrian ini digunakan untuk mengacu simpul-simpul yang bertetangga dengannya yang akan dikunjungi kemudian sesuai urutan pengantrian.Untuk memperjelas cara kerja algoritma BFS beserta antrian yang digunakannya, berikut langkah-langkah algoritma BFS:

1.   Masukkan simpul ujung (akar) ke dalam antrian.

2.   Ambil simpul dari awal antrian, lalu cek apakah simpul merupakan solusi.

3.   Jika simpul merupakan solusi, pencarian selesai dan hasil dikembalikan.

4.   Jika simpul bukan solusi, masukkan seluruh simpul yang bertetangga dengan simpul tersebut (simpul anak) ke dalam antrian.

5.   Jika antrian kosong dan setiap simpul sudah dicek, pencarian selesai dan mengembalikan hasil solusi tidak ditemukan.

6.   Ulangi pencarian dari langkah kedua.

Contohnya terlihat dibawah ini:

Maka penyelesaiannya adalah:Gambar (a) BFS(1): 1, 2, 3, 4, 5, 6, 7, 1.Gambar (b) BFS(1): 1, 2, 3, 4, 5, 6, 7, 1Gambar (c) BFS(1): 1, 2, 3, 4, 5, 6, 7, 8, 9

Penerapan BFS dalam Algoritma

Adapun penerapan BFS pada algoritma adalah sebagai berikut:

Keuntungan dan Kelemahan BFS

Keuntungan dari BFS adalah :

*        Tidak akan menemukan jalan buntu.

*        Tidak ada satu solusi, maka BFS search akan menemuknnya. Dan jika ada lebih dari satu solusi, maka solusi minimum akan ditemukan.

Kelemahan dari BFS adalah :

*        Membutuhkan memori yang cukup banyak, karena menyimpan semua node dalam satu pohon.

*        Membutuhkan waktu yang cukup lama, karena akan menguji n level untuk mendapatkan solusi pada level yang ke –(n+1).

Contoh kasus BFS

Berikut adalah contoh kasus dengan menggunakan metode BFS. Kita akan mencari jalur tujuan dengan menggunakan angkutan umum.Contoh :

Mencari jalur angkutan umum dari terminal senen ke terminal Kp. Rambutan

*        Initial State : Senen

*        Goal State : Kp. Rambutan

RUTE PERJALANAN

Gambar 1.2 : Rute perjalanan

Penjelasan Gambar :

1.      Membangkitakan anak dari terminal Senen = Terminal blok M, Terminal Pulo Gadung, Terminal Manggarai

2.      Karena goal state (Terminal Kp. Rambutan) belum tercapai maka kita bangkitkan anak dari terminal senen

Terminal Blok M = Terminal Grogol, Terminal Lebak Bulus            

Terminal Lebak Bulus = Terminal Ciputat, Terminal Kp. Rambutan.            

Terminal Pulo Gadung = Terminal bekasi            

Terminal Manggarai = Terminal Cililitan, Terminal Harmoni

3.      Akhirnya tercapai Goal State (Terminal Kp. Rambutan).

Kesimpulan

Dari pembahasan diatas dapat ditarik kesimpulan yaitu :

Breadth-first search (BFS) melakukan proses searching pada semua node yang berada pada level atau hirarki tetangga yang terdekat terlebih dahulu sebelum melanjutkan proses searching pada node di level berikutnya.

 Metode BFS membutuhkan memori yang cukup banyak namun dengan menggunakan metode ini solusinya tidak akan menemukan jalan buntu.

Pengertian Depth-First Search

Depth-first search (DFS) melakukan pencarian secara preorder. Mengunjungi anak suatu simpul sebelum simpul tetangganya.

Berikut gambar yang mengiilustrasikan urutan simpul yang dikunjungi pada algoritma DFS:

Gambar Ilustrasi urutan kunjungan simpul pada algoritma DFS

Dari gambar, dapat dilihat bahwa dengan algoritma DFS, setiap anak simpul pertama yang bertetangga dengan simpul akar dikunjungi sampai tingkat terdalamnya lebih dahulu, lalu seluruh simpul pada subpohon tersebut, sebelum simpul lain yang juga bertetangga dengan simpul akar.

2.Algoritma DFS

Berikut ini adalah algoritma Depth-First Search :

procedure DFS(input v:integer)

Mengunjungi seluruh simpul graf dengan algoritma pencarian DFS

Masukan: v adalah simpul awal kunjungan

Keluaran: semua simpulyang dikunjungi ditulis ke layar

Deklarasi

   w : integer

Algoritma:

   write(v)

   dikunjungi[v]¬true

   for tiap simpul w yang bertetangga dengan simpul v do

      if not dikunjungi[w] then

          DFS(w)

      endif

   endfor

3.SKENARIO UJI COBA

Pencarian rute terpendek dilakukan dengan cara membuat simpul-simpul yang menjadi titik awal, titik-titik yang akan dilalui dan juga titik akhir sebagai akhir dari tujuan atau sebagai simpul yang dicari.

Dalam algoritma DFS, simpul yang telah dikunjungi disimpan dalam suatu tumpukan (stack). Antrian ini digunakan untuk mengacu simpul-simpul yang akan dikunjungi sesuai urutan tumpukan (masuk terakhir, keluar pertama) dan mempermudah proses runut-balik jika simpul sudah tidak mempunyai anak (simpul pada kedalaman maksimal).

Untuk memperjelas cara kerja algoritma DFS beserta tumpukan yang digunakannya, berikut langkah-langkah algoritma DFS:

1. Masukkan simpul ujung (akar) ke dalam tumpukan

2. Ambil simpul dari tumpukan teratas, lalu cek apakah simpul merupakan solusi

3. Jika simpul merupakan solusi, pencarian selesai dan hasil dikembalikan.

4. Jika simpul bukan solusi, masukkan seluruh simpul yang bertetangga dengan simpul tersebut (simpul anak) ke dalam tumpukan

5. Jika tumpukan kosong dan setiap simpul sudah dicek, pencarian selesai dan mengembalikan hasil solusi tidak ditemukan

6. Ulangi pencarian dari langkah kedua

4. HASIL UJI COBA

Keuntungan Dari Algoritma Depth-First Search

• Membutuhkan memori yang relative kecil, karena hanya node-node pada lintasan yang aktif saja.
• Secara kebetulan, metode depth-first search akan menemukan solusi tanpa harus menguji lebih banyak lagi dalam ruang keadaan.

Kelemahan Dari Algoritma Depth-First Search

• Memungkinkan tidak ditemukannya tujuan yang diharapkan.
• Hanya akan menemukan satu solusi pada setiap pencarian.

5. KESIMPULAN

Algoritma Depth-First Search bisa digunakan untuk melakukan pencarian rute terpendek. Dengan memperhatikan keuntungan dan kelemahan dari algoritma tersebut, bisa diambil kesimpulan bahwa algoritma ini bisa membantu pencarian rute terpendek, sehingga bisa mendapatkan penyelesaian yang efektif.

Algoritma Depth-First Search akan berhenti melakukan pencarian jika sudah ditemukan tujuan akhir.

SUMBER :

http://yoursknowladge.blogspot.co.id/2015/04/makalah-algoritma-breadth-first-search.html

http://zeromin0.blogspot.co.id/2011/07/analisa-algoritma-depth-first-search.html#axzz4Oz9uC4pv

Pengenalan Fuzzy Logic

Pengenalan Fuzzy Logic

Fuzzy Logic (FL) adalah metodologi untuk pemecahan masalah kontrol sistem yang dapat diimplementasikan pada berbagai cakupan sistem mulai dari yang sederhana, kecil dan tertanam dalam mikro hingga sistem yang besar, menggunakan jaringan, dan PC multi-channel. FL dapat diimplementasikan di hardware, software, atau keduanya. FL menyediakan cara yang sederhana untuk mencapai kesimpulan yang jelas berdasarkan input informasi yang samar-samar, ambigu, tidak presisi, tidak jelas, atau malah hilang sebagian.Kontrol masalah FL menirukan bagaimana manusia membuat keputusan dengan cara yang lebih cepat. 

Fuzzy logic jika di atau dalam bahasa Indonesia logika Fuzzy adalah teknik/ metode yang dipakai untuk mengatasi hal yang tidak pasti pada masalah – masalah yang mempunyai banyak jawaban. Pada dasarnya Fuzzy logic merupakan logika bernilai banyak/ multivalued logic yang mampu mendefinisikan nilai diantara keadaan yang konvensional seperti benar atau salah, ya atau tidak, putih atau hitam dan lain-lain. Penalaran Logika Fuzzy memnyediakan cara untuk memahami kinerja system dengan cara menilai input dan output system dari hasil pengamatan. Logika Fuzzy menyediakan cara untuk menggambarkan kesimpulan pasti dari informasi yang samar-samar, ambigu dan tidak tepat. Fuzzy logic Pertama kali dikembangkan oleh Lotfi A. Zadeh tahun 1965.

Alasan Kenapa digunakan logika Fuzzy:
-  Karena konsep logika Fuzzy mudah dimengerti.
- Logika Fuzzy fleksibel.
- Logika Fuzzy mampu memodelkan fungsi-fungsi nonlinear yang sangat kompleks.
- Logika Fuzzy dapat bekerja dengan teknik-teknik kendali secara konvensional.
- Logika Fuzzy memiliki toleransi terhadap data-data yang tepat.
- Logika Fuzzy didasarkan pada bahasa alami.
- Logika Fuzzy dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan.

Di bawah ini adalah beberapa contoh aplikasi Fuzzy Logic:
• Sistem Pengereman Mobil (Nissan).
• Pengontrol kereta bawah tanah di Sendai, Jepang.
• Penghematan Konsumsi Daya Listrik AC (Mitsubhishi Heavy Industries Tokyo).

Himpunan Fuzzy

Pada himpunan tegas (crisp), nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis dengan (X), memiliki dua kemungkinan, yaitu:

Satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan, atau

Nol (0), yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan.

Referensi : http://tiindonesia.blogspot.co.id/2013/05/pengenalan-fuzzy-logic.html

                   http://informatika.web.id/logika-fuzzy.htm

Sistem Pakar

Sistem Pakar

Secara umum, sistem pakar adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer yang dirancang untuk memodelkan kemampuan menyelesaikan masalah seperti layaknya seorang pakar. Dengan sistem pakar ini, orang awam pun dapat menyelesaikan masalahnya atau hanya sekedar mencari suatu informasi berkualitas yang sebenarnya hanya dapat diperoleh dengan bantuan para ahli di bidangnya. Sistem pakar ini juga akan dapat membantu aktivitas para pakar sebagai asisten yang berpengalaman dan mempunyai asisten yang berpengalaman dan mempunyai pengetahuan yang dibutuhkan. Dalam penyusunannya, sistem pakar mengkombinasikan kaidah-kaidah penarikan kesimpulan (inference rules) dengan basis pengetahuan tertentu yang diberikan oleh satu atau lebih pakar dalam bidang tertentu. Kombinasi dari kedua hal tersebut disimpan dalam komputer, yang selanjutnya digunakan dalam proses pengambilan keputusan untuk penyelesaian masalah tertentu.

Ciri-Ciri Sistem Pakar
Sistem pakar yang baik harus memenuhi ciri-ciri sebagai berikut :
• Memiliki informasi yang handal.
• Mudah dimodifikasi.
• Dapat digunakan dalam berbagai jenis komputer.
• Memiliki kemampuan untuk belajar beradaptasi.

Keuntungan Sistem Pakar
Secara garis besar, banyak manfaat yang dapat diambil dengan adanya sistem pakar, antara lain :


1.Memungkinkan orang awam bisa mengerjakan pekerjaan para ahli.
2.Bisa melakukan proses secara berulang secara otomatis.
3.Menyimpan pengetahuan dan keahlian para pakar.
4.Meningkatkan output dan produktivitas.
5.Meningkatkan      kualitas.
6. Mampu mengambil dan melestarikan keahlian para pakar (terutama yang termasuk keahlian langka).
7. Mampu beroperasi dalam lingkungan yang berbahaya.
8. Memiliki kemampuan untuk mengakses pengetahuan.
9. Memiliki reabilitas.
10. Meningkatkan kapabilitas sistem komputer.
11. Memiliki kemampuan untuk bekerja dengan informasi yang tidak lengkap dan mengandung   ketidakpastian.
12. Sebagai media pelengkap dalam pelatihan.
13. Meningkatkan kapabilitas dalam penyelesaian masalah.
14. Menghemat waktu dalam pengambilan keputusan

Kelemahan Sistem Pakar
Di samping memiliki beberapa keuntungan, sistem pakar juga memiliki beberapa kelemahan, antara lain :


1. Biaya yang diperlukan untuk membuat dan memeliharanya sangat mahal.
2. Sulit dikembangkan. Hal ini tentu saja erat kaitannya dengan ketersediaan pakar di bidangnya.
3. Sistem Pakar tidak 100% bernilai benar.

Alasan Pengembangan Sistem Pakar, sistem pakar sendiri dikembangkan lebih lanjut dengan alasan :


• Dapat menyediakan kepakaran setiap waktu dan di berbagai lokasi.
• Secara otomatis mengerjakan tugas-tugas rutin yang membutuhkan seorang pakar.
• Seorang pakar akan pensiun atau pergi.
• Seorang pakar adalah mahal.
• Kepakaran dibutuhkan juga pada lingkungan yang tidak bersahabat.

Modul Penyusun Sistem Pakar
Menurut Staugaard (1987) suatu sistem pakar disusun oleh tiga modul utama yaitu :


1. Modul Penerimaan Pengetahuan (Knowledge Acquisition Mode) Sistem berada pada modul ini, pada saat ia menerima pengetahuan dari pakar. Proses mengumpulkan pengetahuan-pengetahuan yang akan digunakan untuk pengembangan sistem, dilakukan dengan bantuan knowledge engineer. Peran knowledge engineer adalah sebagai penghubung antara suatu sistem pakar dengan pakarnya.

2. Modul Konsultasi (Consultation Mode)
Pada saat sistem berada pada posisi memberikan jawaban atas permasalahan yang diajukan oleh user, sistem pakar berada dalam modul konsultasi. Pada modul ini, user berinteraksi dengan sistem dengan menjawab pertanyaan-pertanyaan yang diajukan oleh sistem.

3. Modul Penjelasan (Explanation Mode)
Modul ini menjelaskan proses pengambilan keputusan oleh system (bagaimana suatu keputusan dapat diperoleh).

Struktur Sistem Pakar, komponen utama pada struktur sistem pakar menurut Hu et al (1987) meliputi:

1. Basis Pengetahuan (Knowledge Base)
Basis pengetahuan merupakan inti dari suatu sistem pakar, yaitu berupa representasi pengetahuan dari pakar. Basis pengetahuan tersusun atas fakta dan kaidah. Fakta adalah informasi tentang objek, peristiwa, atau situasi. Kaidah adalah cara untuk membangkitkan suatu fakta baru dari fakta yang sudah diketahui.

2. 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 tehnik pengendalian yang sering digunakan, yaitu forward chaining, backward chaining, dan gabungan dari kedua teknik pengendalian tersebut.

3. Basis Data (Data Base)
Basis data terdiri atas semua fakta yang diperlukan, dimana fakta fakta tersebut digunakan untuk memenuhi kondisi dari kaidah-kaidah dalam sistem. Basis data menyimpan semua fakta, baik fakta awal pada saat sistem mulai beroperasi, maupun fakta-fakta yang diperoleh pada saat proses penarikan kesimpulan sedang dilaksanakan. Basis data digunakan untuk menyimpan data hasil observasi dan data lain yang dibutuhkan selama pemrosesan.

4. Antarmuka Pemakai (User Interface)
Fasilitas ini digunakan sebagai perantara komunikasi antara pemakai.dengan komputer.

Teknik Representasi Pengetahuan
Representasi pengetahuan adalah suatu teknik untuk merepresentasikan basis pengetahuan yang diperoleh ke dalam suatu skema/diagram tertentu sehingga dapat diketahui relasi/keterhubungan antara suatu data dengan data yang lain. Teknik ini membantu knowledge engineer dalam memahami struktur pengetahuan yang akan dibuat sistem pakarnya. Terdapat beberapa teknik representasi pengetahuan yang biasa digunakan dalam pengembangan suatu sistem pakar, yaitu

a. Rule-Based Knowledge
Pengetahuan direpresentasikan dalam suatu bentuk fakta (facts) dan aturan (rules). Bentuk representasi ini terdiri atas premise dan kesimpulan.


b. Frame-Based Knowledge
Pengetahuan direpresentasikan dalam suatu bentuk hirarki atau jaringan frame.


c. Object-Based Knowledge
Pengetahuan direpresentasikan sebagai jaringan dari obyek-obyek. Obyek adalah elemen data yang terdiri dari data dan metoda (proses).


d. Case-Base Reasoning
Pengetahuan direpresentasikan dalam bentuk kesimpulan kasus (cases).

Inferencing dengan Rule : Forward dan Backward Chaining
Inferensi dengan rules merupakan implementasi dari modus ponen, yang direfleksikan dalam mekanisme search (pencarian). Dapat pula mengecek semua rule pada knowledge base dalam arah forward maupun backward. Proses pencarian berlanjut sampai tidak ada rule yang dapat digunakan atau sampai sebuah tujuan (goal) tercapai. w:st=”on”Ada dua metode inferencing dengan rules, yaitu forward chaining atau data-driven dan backward chaining atau goal-driven.

a. Backward chaining
• Menggunakan pendekatan goal-driven, dimulai dari ekspektasi apa yang diinginkan terjadi (hipotesis), kemudian mengecek pada sebab-sebab yang mendukung (ataupun kontradiktif) dari ekspektasi tersebut.
• Jika suatu aplikasi menghasilkan tree yang sempit dan cukup dalam, maka gunakan backward chaining.

b. Forward chaining
• 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.
• Forward chaining adalah data-driven karena inferensi dimulai dengan informasi yang tersedia dan baru konklusi diperoleh.
• Jika suatu aplikasi menghasilkan tree yang lebar dan tidak dalam, maka gunakan forward chaining.

Contoh aplikasi dari Sistem Pakar ini antara lain yaitu :

- Delta dari General Electric untuk konsultasi kerusakan lokomotif.

- Prospector dari Stanford Research Institute untuk penaksiran prospek mineral.

- Xycon dari Digital Equipment Corp's untuk mengkonfigurasi bagianbagian komputer.

- Mycin dikembangkan pada Universitas Stanford (1970), untuk menolong para ahli dalam mendiagnosa bakteri penyakit tertentu.

Program kecerdasan tiruan ini dapat dilakukan dengan menggunakan suatu program paket, yaitu alat pengembangan sistem aplikasi pengetahuan (knowledge system application development tool) seperti:

• ·           VP-Expert
• ·           PC PLUS
• ·           GURU
• ·           JESS(Java Expert System Shell) Version 5.0
• ·           EXSYS

Atau dengan menggunakan bahasa untuk pemrograman kecerdasan tiruan seperti :

• ·           PROLOG (Programming Logic)
• ·           WIN-PROLOG 4.040 (Windows-Programming Logic)
• ·           LISP(Lisp Processing)
• ·           CLIPS( C Language Integrated Production System)

Komputer berbasis sistem pakar adalah program komputer yang mempunyai pengetahuan yang berasal dari manusia yang berpengetahuan luas(pakar) dalam domain tertentu, di mana pengetahuan di sini adalah pengetahuan manusia yang sangat minim penyebarannya, mahal serta susah didapat. Di sini keahlian dari manusia dimasukkan ke pengetahuan tersebut untuk menyelesaikan masalah, seperti yang dilakukan manusia.

Walaupun sistem pakar dapat menyelesaikan masalah dalam domain yang terbatas berdasarkan pengetahuan yang dimasukkan ke dalamnya, tetapi sistem pakar tidak dapat menyelesaikan masalah yang tidak dapat diselesaikan manusia. Oleh sebab itu keandalan dari sistem pakar terletak pada pengetahuan yang dimasukkan ke dalamnya.

Kondisi-kondisi dimana sistem pakar dapat membantu manusia dalam menyelesaikan masalahnya, antara lain:

• Kebutuhan akan tenaga ahli(pakar) yang banyak, tetapi pakar yang tersedia jumlahnya sangat terbatas. 
•  Pemakaian pakar yang berlebihan dalam membuat keputusan, walaupun dalam suatu tugas yang rutin.
• Pertimbangan kritis harus dilakukan dalam waktu yang singkat untuk menghindari hal-hal yang tidak diinginkan. 
•  Hasil yang optimal, seperti dalam perencanaan atau konfigurasi. 
• Sejumlah besar data yang harus diteliti oleh pakar secara kontinu.

Contoh aplikasi sistem berbasis pengetahuan komersial (Commercial Knowledge Base System Applications) yang lainnya :

• ·         ACE (AT & T) Digunakan untuk memberikan laporan trouble-shooting dan analisa untuk perawatan kabel telepon.
• ·         AS/ASQ (Arthur Young) Digunakan untuk membantu dalam prosedur auiditing AUDITOR(University of Illinois) Memilihkan prosedur audit untuk memverifikasi rekening pendapatan sebuah perusahaan.
• ·         AUTHORIZER’S ASSISTANT( American Express) Membantu dalam meninjau penipuan kartu kredit.
• ·         BUSINESS PLAN(Sterling Wentworth Corp.) Membantu pegawai professional dan pemilik bisnis tentang semua aspek yang menyangkut perencanaan keuangan.
• ·         CASH VALUE(Heuros Ltd.) Mendukung perencanaan proyek modal.
• ·         COMPASS(GTE Corp.) Troubleshoots tidak berfungsinya sirkuit telepon

• ·         CONCEPT(Tyashare) Memproduksi model-model dari pasar yang disenangi konsumen
• ·         DELTA(GE) Membantu mendiagnosa dan memperbaiki kereta api listrik diesel.
• ·         EL

-         Digunakan untuk menganalisa sirkuit elektronik yang terbuat dari transistor, dioda & resistor.

-     Bekerja melalui diagram skematik dari sirkuit yang telah dimasukkan dalam komputer & EL menentukan karakteristik sirkuit, nilai voltage dan strum yang ada pada semua titik sirkuit. 

-         Sangat baik untuk rekayasa rancangan & bantuan belajar operasi sirkuit elektronik & rancangan.

• ·         EXPERT TAX(Coopers & Lybrand) Memberikan bimbingan menghitung pajak.
• ·         FIN PLAN(Wright Patterson Air Force Base) Mendukung perencanaan keuangan pribadi.
• ·      FINANCIAL ADVISOR(Palladian) Memberikan bimbingan keuangan pada proyek, produk dan penggabungan serta akuisisi.
• ·         FOLIO(University of Stanford), Membantu manajer investasi portfolio memutuskan sasaran investasi kliennya dan memilihkan portfolio yang terbaik yang dibutuhkan .
• ·         SOPHIE Untuk membantu mahasiswa belajar memecahkan masalah atau kesulitan sirkuit elektronik.(Dengan cara mensimulasikan sirkuit & masalahnya).
• ·         GENESIS(Intelli Corp.) Membimbing insiyur genetic dalam menganalisa molekul DNA.
• ·         INTELLIGENT SECRETARY(Nippon T & T) Menangani jadwal dari personel dalam sebuah perusahaan.

• ·         TRADER’S ASSISTANT(A.D. Little) Membimbing pedagang sekuritas dalam mengakses pasar modal.

Referensi :  https://3onoikom.wordpress.com/materi-kuliah/sistem-pakar/ 
                    http://umardanny.com/download/buku_AI.pd