Perbandingan Metode Forward Chaining, Certainty Factor, dan Fuzzy pada Sistem Pakar

Abstract

Sistem pakar merupakan salah satu penerapan kecerdasan buatan yang masih relevan dalam mendukung proses pengambilan keputusan pada berbagai domain seperti kesehatan, pendidikan, industri, dan layanan publik. Keberhasilan sistem pakar sangat dipengaruhi oleh metode inferensi yang digunakan dalam menalar fakta dan menghasilkan kesimpulan. Penelitian ini bertujuan untuk membandingkan tiga metode inferensi yang umum diterapkan pada sistem pakar, yaitu Forward Chaining, Certainty Factor, dan Fuzzy Logic, sehingga dapat diperoleh pemahaman mengenai karakteristik, keunggulan, serta keterbatasan masing-masing metode. Metode penelitian yang digunakan adalah kajian pustaka terstruktur dengan pendekatan Systematic Literature Review (SLR) melalui tahapan pencarian literatur, seleksi artikel berdasarkan kriteria inklusi dan eksklusi (rentang 2016–2025), ekstraksi informasi, serta sintesis temuan. Hasil kajian menunjukkan bahwa Forward Chaining efektif digunakan pada sistem pakar berbasis aturan deterministik karena proses inferensinya transparan dan mudah ditelusuri, namun kurang optimal dalam menangani ketidakpastian. Certainty Factor mampu mengakomodasi ketidakpastian melalui nilai tingkat keyakinan pada kesimpulan, sehingga cocok untuk sistem diagnosis yang gejalanya tidak selalu lengkap, tetapi bergantung pada bobot pakar yang bersifat subjektif. Sementara itu, Fuzzy Logic unggul dalam memodelkan data kontinyu dan variabel linguistik yang samar melalui derajat keanggotaan, namun memerlukan desain membership function yang akurat. Penelitian ini menegaskan bahwa tidak terdapat satu metode terbaik untuk seluruh domain, sehingga pemilihan metode inferensi perlu disesuaikan dengan karakteristik data dan kebutuhan output. Selain itu, pengembangan metode hybrid dan peningkatan aspek explainability menjadi arah pengembangan sistem pakar modern.