Lopxmfehf!Fohjoffsjoh!
1
Pengetahuan (Knowledge)
Kunci utama dari Expert System (sistem
pakar)
Analogi
Algoritma + Struktur Data = Program
Pengetahuan + Inferensi = Sistem Pakar
Agen memerlukan pengetahuan (knowledge) untuk mendapatkan keputusan terbaik dalam usaha mencapai tujuan.
Knowledge: representasi dari fakta, prosedur, aturan dan lain-lain, yang berasal dari lingkungan Agen. Knowledgeberada pada agen berbentuk sentences
menggunakan bahasaknowledge representation
language dan tersimpan dalamknowledge base. Harus ada cara untuk menambah/mengisi KB (TELL)
dan harus ada cara untuk melakukan query/seleksi aksi yang harus dikerjakan (ASK).
Agen dapat melakukan penalaran (inference) untuk menyimpulkan fakta baru berdasarkan fakta yang diberikan.
Knowledge Base
Inference engine
Domain independent algorithms
Domain specific content
TELL
ASK
Knowledge-Based Agents
3
Level Pengetahuan :
-
Shallow Knowledge ; Representasi pengetahuan secara dangkal/permukaan.
Misalnya,
Jika
tangki bahan bakar kosong
maka
mobil tidak bisa di hidupkan
representasi menggunakan If-Then rule (input-output relation)
-
Deep Knowledge ; Representasi pengetahuan secara mendalam, kompleks,
dan menggunakan struktur sebab akibat.
representasi menggunakan jaringan semantik dan frame.
contoh :
Car Has a Gas Tank Stores Gasoline
Flow via pipe Carburetor
Air Flows
Filter Has a
Gas Pump Pump Gas to a Connected to Starter Brushes Starts Has
Knowledge-Based Agents
4Knowledge Engineering
Knowledge Engineering :
Proses mengintegrasikan pengetahuan ke dalam sistem komputer untuk
memecahkan suatu permasalahan yang rumit, dimana secara normal
memerlukan keahlian manusia tingkat tinggi. Orang yang melakukan proses
ini disebut
Knowledge Engineer
.
Knowledge Engineering Vs Programming :
Knowledge Engineering Programming
Choosing a logic Choosing programming language Building knowledge base Writing program
Implementing proof theory Choosing/writing compiler Inferring new facts Running program Skill for Knowledge Engineer :
computer skills (h/, s/, programming), toleran, mampu berkomunikasi secara efektif, berpendidikan cukup, cerdas, mampu berpikir berdasar logika, percaya diri, dll
5
Knowledge Engineering Process :
Knowledge Acquisition
Knowledge Representation
Knowledge Validation
Inference
Explanation and Justification
Source of
Knowledge
Knowledge
Representation
Knowledge
Base
Knowledge
Validation
Inferencing
Explanation,
Justification
Encoding Knowledge AcquisitionKnowledge Engineering
6Knowledge Engineering Process :
Knowledge Acquisition
Proses pengumpulan (ekstraksi dan formulasi) pengetahuan
dari : pakar, buku, dokumen, sensor, file komputer dll.
Knowledge Representation
Proses untuk mengorganisir pengetahuan yang terkumpul, termasuk didalamnya
proses
knowledge map
dan
encoding
pada knowledge base.
Knowledge Validation
Proses validasi dan verifikasi pengetahuan yang terdapat dalam knowledge base
Inference
Proses desain software agar komputer dapat melakukan penarikan
kesimpulan berdasarkan knowledge base.
Explanation and Justification
Proses desain software dan programming agar komputer mempunyai
kemampuan eksplanasi (menjelaskan) atau menjawab pertanyaan.
Misalnya, komputer dapat menjelaskan pertanyaan seperti : why ? how ?
Knowledge Engineering
7
Sumber Pengetahuan :
- Pengetahuan dapat diperoleh dari berbagai sumber
Misal dari buku, film, file database, gambar, peta, cerita, observasi, pakar,
pengalaman, lagu, diagram alir, dan sebagainya.
- Sumber pengetahuan dapat dibedakan menjadi 2 (dua) :
terdokumentasi
dan tidak terdokumentasi.
- Pengetahuan dapat diidentifikasi dan dikumpulkan oleh manusia atau mesin.
Sources of Knowledge
Identify problem characteristics Find concepts to represents knowledge Design structure to organize knowledge Formulate rules to embody knowledge
Validate rules that organize knowledge rules structure concepts requirements Identification Conceptualitation Formalization Implementation Testing
•
Knowledge Acquisition (KA)
Proses ekstraksi dan formulasi
pengetahuan yang diperoleh dari
berbagai sumber
(khususnya pakar)
•
Kesulitan dalam KA
- Mengekspresikan pengetahuan
- Transfer ke mesin (komputer)
- Banyaknya partisipan : pakar,
Knowledge Engineer,
System Designer, User
- Struktur Pengetahuan
- dll
•
Tahapan Kegiatan dalam KA
Stages of Knowledge Acquisition
9
Tahapan Proses Akuisisi Pengetahuan :
•
Identification ;
tahap identifikasi problem dan karakteristiknya.
Knowledge engineer mempelajari situasi untuk tujuan desain aplikasi AI.
•
Conceptualization
; tahap menentukan pengetahuan yang relevan.
Informasi mana yang akan digunakan dan bagaimana cara merepresentasikan
dalam knowledge base ? Apakah rule sudah cukup baik direpresentasikan ?
•
Formulation
; Knowledge di representasikan dalam knowledge base, sehingga
perlu di formulasikan sesuai metode akuisisinya. Misal untuk sistem berbasis
aturan, knowledge diformulasikan mengikuti format aturan (misal If..Then rule)
•
Implementation
; tahapan ini terkait dengan tahapan programming dimana
pengetahuan dapat diakses oleh komputer untuk pengambilan keputusan.
•
Testing
; knowledge engineer menguji sistem menggunakan contoh-2 khusus.
Knowledge Acquisition
Methods of Knowledge Acquisition
Manual
-
Interview : terstruktur, tidak terstruktur
- Tracking methods
Semiautomatic
- support the expert
- support the knowledge engineer
Automatic
- rule induction
- machine learning
11Knowledge Representation
Knowledge Representation :
Cara merepresentasikan pengetahuan (fakta dan rule)
Knowledge Representation
dapat menggunakan :
• Logic (Logika)
• Semantic Network (Jaringan Semantik)
• Scripts (Naskah)
• Tables (Tabel)
• Tree (Pohon)
• Production Rule (Aturan Produksi)
• Frame (Kerangka)
•
Logika (Logic)
Logika : bentuk representasi yang paling tua
proses membentuk kesimpulan atau menarik suatu inferensi berdasarkan
fakta yang sudah ada
2 bentuk dasar logika :
1. Logika Proposisi
2. Logika Predikat
Proses
Logika
Input Fakta atau Premis Output Konklusi atau InferensiKnowledge Representation: Logic
13
Knowledge Representation: Logic
• Logika Proposisi Logika Proposisi : Pernyataan logika yang hanya bernilai Benar (True) atau Salah (False)
Dua atau lebih proposisi dapat digabungkan dengan menggunakan operator : NOT (), AND (), OR (), IMPLIKASI (), BIIMPLIKASI ()
Tabel Kebenaran :
A : Hari ini hujan
A : Hari ini tidak hujanA : Mobil itu merknya Honda B : Mobil itu warnanya hitam A B : Mobil itu merknya Honda DAN
warnanya hitam NOT A A T F F T AND A B A B T T T T F F F T F F F F
(Negasi)
(Konjungsi)
14A : Mobil itu merknya Honda B : Mobil itu warnanya hitam A B : Mobil itu merknya Honda ATAU
warnanya hitam
A : Saya sering terlambat makan B : Saya sakit maag
A B : JIKA saya terlambat makan MAKA saya sakit maag
OR A B A B T T T T F T F T T F F F IMPLIKASI A B A B T T T T F F F T T F F T BIIMPLIKASI A B A B T T T T F F F T F F F T
A : Saya sakit maag B : Saya terlambat makan
A B : Saya sakit maag JIKA DAN HANYA JIKA saya terlambat makan maka
(Disjungi)
(If..Then)
(If and only if)
Knowledge Representation: Logic
15
•
Ekwivalensi
Berdasarkan tabel kebenaran, pernyataan A ekwivalen disebut dengan pernyataan B bila mempunyai nilai kebenaran yang sama.
• A
B
B
A
komutatif konjungsi
• A
B
B
A
komutatif disjungsi
• (A
B)
C
A
(B
C)
asosiatif konjungsi
• (A
B)
C
A
(B
C)
asosiatif disjungsi
•
(A)
A
dobel negasi
• A
B B A kontraposisi
• A
B
A
B
eliminasi implikasi
• A
B
(A
B)
(B
A)
eliminasi bikondisional/biiimplikasi
•
(A
B) A
B
de Morgan
•
(A
B) A
B
de Morgan
• A
(B
C)
(A
B)
(A
C)
distribusi konjungsi atas disjungsi
• A
(B
C)
(A
B)
(A
C)
distribusi disjungsi atas konjungsi
•
Validitas
Suatu pernyataan disebut valid jika bernilai benar untuk semua model/sentence.
Disebut juga
Tautologi
. Contoh : A A
•
Inferensi pada logika proposisi dapat dilakukan dengan resolusi.
• Resulosi :aturan inferensi dengan menggunakan bentukCNF (Conjunctive NormalForm) dengan ciri-ciri :
- Setiap kalimat merupakan disjungsi literal - Semua kalimat terkonjungsi secara implisit
Kalimat yang ditulis dengan menggunakan logika proposisi dapat dikonversi ke bentuk CNF.
Hilangkan implikasi dan biimplikasi
o x y menjadix
yo xy menjadi (xy) (yx)
Kurangi kalang negasi menjadi bentuk negasi tunggal
o (x) menjadi x
o (xy) menjadi (x y)
o (xy) menjadi (x y)
Gunakan aturan asosiatif dan distributif untuk konversi menjadi conjuction of disjunction
o Asosiatif : (xy)z = x(yz)
o Distributif: (xy)z = (xz)(yz)
Buat satu kalimat terpisah untuk tiap-tiap konjungsi.
• Resulosidigunakan juga untuk membuktikan suatu kebenaran proposisi (uji validitas).
Knowledge Representation: Logic
17
Prosedur untuk membuktikan proposisi P dengan beberapa aksioma F yang sudah diketahui :
1. Konversi semua proposisi F ke bentuk CNF
2. Negasikan P dan konversikan hasil negasi ke bentuk klausa (bentuk standar). Tambahkan ke himpunan klausa yang telah ada pada langkah 1
3. Kerjakan hingga terjadi kontradiksi atau proses tidak mengalami kemajuan a. Seleksi 2 klausa sebagai klausa parent
b. Bandingkan (resolve) secara bersama-sama. Klausa hasil resolve disebut resolvent.
Jika ada pasangan literal L danL, eliminir dari resolvent. c. Jika resolvent berupa klausa kosong, temukan kontradiksi.
Jika tidak, tambahkan ke himpunan klausa yang telah ada.
Knowledge Representation: Logic
Diketahui basis pengetahuan (fakta-2 bernilai benar) sebagai berikut : 1. P
2. (PQ)R 3. (ST) Q 4. T
Buktikan kebenaran dari R.
Konversi ke CNF 1. P menjadi P 2. (PQ)R menjadiP
Q R 3. (ST) Q menjadi (SQ) dan (T Q) 4. T menjadi TTambahkan kontradiksi R, yaitu R. Sehingga fakta-2 nya menjadi : 1. P 2. PQ R 3. SQ 4. T Q 5. T 6. R P
Q R R P
Q P Q T Q T T2
6
1
4
5
Knowledge Representation: Logic
19
20
21
Contoh Resolusi
• Logika Predikat (Predikat Kalkulus)
Logika proposisi mempunyai keterbatasan :
- Hanya bernilai T atau F (faktanya tidak selalu demikian) - Menggunakan struktur pernyataan secara lengkap (tidak efisien)
It is not very useful in AI
Logika Predikat : pernyataan logika dinyatakan sebagai fungsi atas variabel (simbolik) atau dalam bentuk predikat dan argumen
Operator yang digunakan :
NOT (), AND (), OR (), IMPLIKASI (), EKUIVALENSI (), KUANTOR : UNIVERSAL (, dibaca ‘Untuk Setiap’), EKSISTENSIAL (, dibaca ‘Terdapat’)
Contoh : Logika Proposisi :
Ayam suatu saat akan mati : P Gajah suatu saat akan mati : Q Macan suatu saat akan mati : R Ikan suatu saat akan mati : S
Logika Predikat : mati(x)
x = hewan
(ayam, gajah, macan, ikan)
Knowledge Representation: Logic
• Logika Predikat (Predikat Kalkulus)
1. Andi adalah seorang mahasiswa 1. mahasiswa(Andi) 2. Andi masuk jurusan elektro 2. elektro(Andi)
3. Setiap mahasiswa elektro pasti mahasiswa 3. x:elektro(x) teknik(x) fakultas teknik
4. Kalkulus adalah mata kuliah yang sulit 4. sulit(kalkulus)
5. Setiap mahasiswa fakultas teknik pasti akan 5. x:teknik(x) suka(x,kalkulus) suka kalkulus atau akan membencinya benci(x,kalkulus)
6. Setiap mahasiswa pasti akan suka terhadap 6. x: y : suka(x,y) suatu mata kuliah
7. Mahasiswa yang tidak pernah hadir pada 7. x:y: mahasiswa(x) sulit(y) mata kuliah sulit maka mereka pasti tidak suka hadir(x,y) suka(x,y) dengan mata kuliah tersebut
8. Andi tidak pernah hadir kuliah matakuliah kalkulus 8. hadir(Andi, kalkulus) Misal ditanyakan : “Apakah Andi suka Kalkulus ?”
Note
: “Untuk setiap” ;
: “Terdapat”
Knowledge Representation: Logic
23
1. mahasiswa(Andi) 2. elektro(Andi)
3. x:elektro(x) teknik(x) 4. sulit(kalkulus)
5. x:teknik(x) suka(x,kalkulus) benci(x,kalkulus) 6. x: y : suka(x,y)
7. x:y: mahasiswa(x) sulit(y) hadir(x,y) suka(x,y) 8. hadir(Andi,kalkulus)
Misal ditanyakan : suka(Andi,kalkulus) ?
hadir(Andi,kalkulus) sulit(kalkulus) hadir(Andi,kalkulus) mahasiswa(Andi) sulit(kalkulus) hadir(Andi,kalkulus)
mahasiswa(Andi) suka (Andi, Kalkulus)
sulit(kalkulus) hadir(Andi,kalkulus)
8
8
8
8
4
4
4
1
1
7
24• Jaringan Semantikmerupakan gambaran pengetahuan secara grafis yang menunjukkan hubungan antar berbagai obyek.
• Obyek (benda, peristiwa) dinyatakan dengan node, sedangkan hubungannya dinyatakan dengan arc (busur)
• Kelebihan : dapat memperlihatkan sifat bawaan (inheritence, mewariskan), sehingga memungkinkan untuk melakukan deduksi berdasarkan informasi yang diketahui
Knowledge Representation: Semantic Network
25
•
Kelebihan
- Fleksibel untuk penambahan node dan hubungan baru
- Presentasi mudah dimengerti
- Efisien, karena adanya sifat inheritence pada node
- Mirip dengan gaya penyimpanan dalam pikiran manusia
- Dimungkinkan melakukan deduksi untuk node yang tidak terhubung
berdasaran sifat inheritence dari node lain
•
Kekurangan
- Tidak ada standar baku dalam mendefinisikan node dan hubungan
- Sifat heritence bisa jadi malah memberikan persepsi yang menyulitkan
- Pengetahuan prosedural sulit dilakukan dengan jaringan semantik
karena urutan dan waktu peristiwa tidak secara eksplisit bisa diwakilkan
- Persepsi situasi yang berasal dari pakar terkadang ditempatkan pada titik
yang tidak tepat
Knowledge Representation: Semantic Network
• Scripts merupakan representasi pengetahuan dalam bentuk skrip (naskah).
• Elemen-elemen skrip :
- Kondisi Input ; kondisi awal yang harus dipenuhi - Track ; jalur yang mungkin terjadi dalam skrip - Prop ; obyek-2 pendukung yang digunakan - Role ; peran utama dalam skrip
- Scene ; adegan yang dimainkan (bag. dari role) - Hasil ; kondisi setelah skrip selesai
Skrip Ujian Tertulis Mata Kuliah
Track : Ujian MK Kecerdasan Buatan Role : Mahasiswa (M), Pengawas (P) Prop : Lembar soal, lembar jawab,
daftar hadir, alat tulis dll Input : Mahasiswa sudah terdaftar sbg
peserta ujian (bebas adm) Scene 1 : Persiapan Pengawas
- Menyiapkan lembar soal - Menyiapkan lembar jawab - Menyiapkan daftar hadir Scene 2 : Mahasiswa Masuk Ruangan
- Pengawas mempersilahkan mahasiswa memasuki ruangan - Pengawas membagi lembar soal - Pengawas membagi lembar jawab - Pengawas memimpin doa Secane 3 : ……… Hasil : - Mahasiswa puas
- Mahasiswa kecewa - Mahasiswa bersyukur - Mahasiswa pusing dll
Knowledge Representation: Scripts
27
•
Decision Tables (Tabel Keputusan)
- Pengetahuan direpresentasikan dalam bentuk tabel baris dan kolom
- Pertama, susun daftar atribut (pada kolom)
- Kedua, susun konklusi/kesimpulan (pada baris)
- Ketiga, beri nilai/tanda pada pasangan (atribut, konklusi) yang cocok
Buah apa yang bentuknya bulat, baunya asam, warnanya oranye,
Rasannya manis dan kulitnya kasar ?
jeruk
Knowledge Representation: Tables
bujur bujur bujur bujur
•
Decision Tree (Pohon Keputusan)
- pengetahuan direpresentasikan dalam bentuk pohon
Bau ?
masam Tidak masamBuahnya
masam
Buahnya
Tidak
masam
Bentuk ? Bulat ? Oval ? Warna ? Oranye ? Hijau ? Merah ?Jeruk
Anggur Hijau
Anggur
Mungkin limau, jeruk limun dll
Diperlukan informasi lain
Jika baunya masam, bentuknya bulat,
Warnanya oranye maka buah tsb JERUK
Knowledge Representation: Tree
29
•
Production Rules (Aturan Produksi)
- disebut juga Production System (Sistem Produksi)
- Terdiri atas :
.:: Ruang Keadaan ; berisi keadaan awal, tujuan dan kumpulan aturan
.:: Strategi Kontrol ; untuk proses pencarian dan mengendalikan eksplorasi
Keadaan
Awal
Aturan
Tujuan
Strategi
Kontrol
- Representasi sistem produksi pada dasarnya berupa aplikasi aturan (rule)
yang tersusun atas :
1. Anteseden ; mengekspresikan situasi/fakta atau premis
2. Konsekuen ; mengekspresikan tindakan atau konklusi bila anteseden benar
Bentuk :
If <premis> then <konklusi>
Knowledge Representation: Production Rules
Variasi dan Contoh Bentuk IF..THEN
•
IF <premis> THEN <konklusi>
IF tenggorokan saya meradang
THEN saya tidak merokok
•
<konklusi> IF <premis>
Saya tidak merokok
IF tenggorokan saya meradang
•
IF<premis> THEN <konklusi1> ELSE <konklusi2>
IF tenggorokan saya meradang
THEN saya tidak merokok
ELSE saya tetap merokok
Premis dapat berisikan gabungan dari beberapa premis yang dihubungkan
dengan operator logika (NOT, OR, AND, dll)
Knowledge Representation: Production Rules
31
• Frame (Kerangka)
- struktur data yang memuat pengetahuan atas suatu obyek - setiap frame mendeskripsikan
satu obyek
- merupakan dasar aplikasi AI dan Expert System berbasis obyek (OOP)
- Contoh : Frame automobil
Automobile Frame
Class of : Transportation Name of manufacturer : Audi Origin of manufacturer : Germany Model : 5000 Turbo
Type of car : Sedan Weight : 3300 lb Wheelbase : 105.8 inches Number of doors : 4
Transmission : 3-speed automatic Number of wheels : 4
Engine :
- Type : In-line, overhead cam - Number of cylinders : 5 Acceleration :
- 0-60 : 10.4 seconds
- Quarter mile : 17.1 seconds, 85 mph Gas mileage : 22 mpg average
Engine Frame
Cylinder bore : 3.19 inches Cylinder strtoke : 3.4 inches Compression ratio : 7.8 to 1
Fuel system : Injection with turbocharger Horsepower : 140 hp
Torque : 160 ft/LB
Knowledge Representation: Frame
Hirarki Frame
Frame suatu obyek (parent frame) dapat terdiri beberapa kumpulan frame (child frame), dan dinyatakan secara hirarki. Vehicle Frame Train Frame Boat Frame Car Frame Airplane Frame Submarine Frame Truck Frame Passenger Car Frame Bus Frame Compact Car Frame Midsize Car Frame Bob’s Car Jan’s Car
Knowledge Representation: Frame
33
Name : Compact Car
Slots Facets
Owner Check registration list Color List, per manufacturer No. of cylinders
Range 4 or 6 If needed Ask owner Make
Range List of all manufacturer If needed Ask owner
Model Use frame corresponding to make
Vintage (year)
Range 1950-1992 If needed Ask owner Vehicle Frame Train Frame Boat Frame Car Frame Airplane Frame Submarine Frame Truck Frame Passenger Car Frame Bus Frame Compact Car Frame Midsize Car Frame Bob’s Car Jan’s Car
Name : Jan’s Car
Instance of : compact car frame Slots Facets Owner Jan Color Blue No. of cylinders 6 Make Honda Model Accord Vintage (year) 1992
Parent frame
Child frame
Knowledge Representation: Frame
Inference
• Once the knowledge base is completed, it is ready for use.
• We need :
computer program
to access the knowledge for :
- making inferences
- making decisions
to problem solving
• This program is an algorithm that controls some reasoning process (penalaran)
and it is usually referred to as the inference engine or the control program.
• In rule-bsed systems it is also referred to as the rule interpreter.
• The most popular control programs are
forward and backward chaining
(dijelaskan di slide sistem pakar)
• Before we examine the specific inferencing techniques used in AI,
we will discuss about the
reasoning
Keadaan Awal Aturan Tujuan Strategi Kontrol 35
Kategori Penalaran
- Penalaran DeduktifPenalaran berdasarkan premis umum untuk mendapatkan konklusi khusus Contoh :
Premis Mayor : Jika saya lulus dengan IPK > 3.5 maka saya akan gundul Premis Minor : Saya lulus dengan IPK = 3.65
Konklusi : Saya akan gundul - Penalaran Induksi
Penalaran berdasarkan fakta/premis khusus untuk mendapatkan konklusi umum Contoh :
Premis 1 : Kalkulus adalah pelajaran yang sulit Premis 2 : Geometri adalah pelajaran yang sulit Premis 3 : Statistika adalah pelajaran yang sulit Konklusi : Matematika adalah pelajaran yang sulit
Pada penalaran induktif, munculnya premis baru dapat menjadikan konklusi gugur. Misal, pada contoh tsb ditambah Premis 4 : Anatomi adalah pelajaran yang sulit maka konklusi tsb menjadi tidak berlaku. Pada penalaran induktif sangat dimungkinkan terjadinya ‘ketidakpastian (uncertainty)’.
Categories of Reasoning
- Penalaran Analogi
Penalaran berdasarkan analogi (menarik kesamaan)
Contoh : Misal komputer sudah mengetahui bahwa kurikulum di Teknik Informatika S1 didesain untuk 8 semester. Misal Toto kuliah di Teknik Informatika S1.
Ketika ditanya : “Berapa tahun Toto akan lulus ?”. Jawabnya : Toto akan lulus 4 tahun. - Penalaran Formal
Penalaran menggunakan manipulasi sintaksis struktur data (simbolik). Contoh : inferensi yang menggunakan predikat kalkulus, logika matematika dll. - Penalaran Numerik Prosedural
Penalaran yang menggunakan model matematika atau simulasi
Contoh :Sistem NASA yang dikembangkan oleh Kennedy Space Center for trouble shooting (diagnosing failure). Sistem berbasis aturan tidak efektif digunakan karena pada sistem sudah terdapat informasi yang berasal dari sensor.
- Generalisasi
Penalaran menggunakan logika dan jaringan semantik. Contoh : Misal semua perusahaan pasti mempunyai pimpinan.
Misal semua staff bekerja untuk perusahaan. Maka dapat disimpulkan bahwa staff pasti mempunyai pimpinan.
Categories of Reasoning
37
Penalaran Menggunakan Logika
- Modus Ponens
Jika diketahui : A
B
A
---Konklusi
B
- Modus Tollens : A
B
B
---Konklusi
A
Jika cuaca cerah maka kita pergi melaut
Cuaca hari ini cerah
---Kita pergi melaut
Jika cuaca cerah maka kita pergi melaut
Kita tidak pergi melaut
---Cuaca hari ini mendung tebal
Methods of Reasoning: with Logic
Explanation
•
Explanation :
proses atau usaha untuk memperjelas (memberi penjelasan)
atas suatu informasi/paparan, rekomendasi atau keputusan.
• Terdapat 2 (dua) bentuk :
- Eksplanasi
Why
Bentuk penjelasan dari adanya pertanyaan Why (Mengapa) ?
Contoh : Dialog tentang keputusan investasi
Computer : What is your annual income ? Client : Why ? (Why do you need to know ?)
Computer : In checking R2, I need to know if your income is above $40,000. If this is true, I will conclude that because you have a college degree, you should invest in growth stocks.
- Eksplanasi
How
Bentuk penjelasan dari adanya pertanyaan How (Bagaimana) ?
Contoh : Dialog tentang keputusan investasi
Computer : Invest in IBM stocks.
Client : How ? (How was the conclusion reached ?)
Computer : Givens that you have $10,000 to invest and you are younger than thirty,
then according to rule 4 you have a college degree. If this is case, then according to R1 you should invest in securities. For a young investor like you, according to R3 ……… dst…….
39
Referensi
40