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.
Knowledge berada pada agen berbentuk sentences menggunakan bahasa knowledge representation language dan tersimpan dalam knowledge 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 Acquisition
Knowledge 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 Inferensi
Knowledge 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) 14
A : 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 bentuk CNF (Conjunctive Normal
Form) 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 menjadi x y
o x y menjadi (x y) (y x)
Kurangi kalang negasi menjadi bentuk negasi tunggal o ( x) menjadi x
o (x y) menjadi (x y) o (x y) menjadi (x y)
Gunakan aturan asosiatif dan distributif untuk konversi menjadi conjuction of disjunction o Asosiatif : (x y) z = x (y z)
o Distributif: (x y) z = (x z) (y z)
Buat satu kalimat terpisah untuk tiap-tiap konjungsi.
• Resulosi digunakan 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 menjadi P Q R 3. (ST) Q menjadi (S Q) dan (T Q) 4. T menjadi T
Tambahkan kontradiksi R, yaitu R. Sehingga fakta-2 nya menjadi : 1. P 2. PQ R 3. S Q 4. T Q 5. T 6. R P Q R R P Q P Q T Q T T 2 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 Semantik merupakan 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 masam Buahnya 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 • 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 Deduktif
Penalaran 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 Aris kuliah di Teknik Informatika S1.
Ketika ditanya : “Berapa tahun Aris akan lulus ?”. Jawabnya : Aris 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
Penalaran Menggunakan Aturan (Rules) - Backward Chaining
Disebut juga pendekatan goal-driven.
Inferensi diawali dari tujuan atau hipotesis (bagian THEN),
kemudian dicocokkan dengan fakta-fakta yang ada (keadaan yang diketahui). Contoh : Keputusan Berinvestasi. Variabel-2 :
A = $10,000 D = Pendapatan minimal $40,000 B = Umur kurang dari 30 tahun E = Investasi di sekuritas
C = Pendidikan Sarjana F = Investasi di bursa saham G = Investasi di saham IBM Setiap variabel bernilai True (Yes) atau False (No)
Fakta : Diasumsikan, seorang investor memiliki dana $10,000 (A True)
dan dia berumur 25 tahun (B true). Dia membutuhkan petunjuk apakah dia akan menginvestasikan dananya di saham IBM ?
(Yes atau No sebagai tujuan)
Methods of Reasoning: with Rules
Backward Chaining
39
Rules : Diasumsikan, kita mempunyai knowledge base yang berisi 5 rule :
R1 : Jika seseorang mempunyai dana $10,000 dan dia sarjana maka orang tsb akan berinvestasi di sekuritas
R2 : Jika seseorang mempunyai pendapatan minimal $40,000 dan dia sarjana maka orang tersebut akan berinvestasi di bursa saham
R3 : Jika seseorang berumur kurang dari 30 tahun dan jika dia berinvestasi di sekuritas maka orang tersebut akan berinvestasi di bursa saham
R4 : Jika seseorang berumur kurang dari 30 tahun maka dia berpendidikan sarjana R5 : Jika seseorang ingin berinvestasi di bursa saham
maka saham tersebut adalah saham IBM Dapat ditulis sebagai :
Fakta : A True Rules : R1 : IF A and C THEN E Goal : Accept or Reject G B True R2 : IF D and C THEN F
R3 : IF B and E THEN F R4 : IF B THEN C R5 : IF F THEN G
Methods of Reasoning: with Rules
Backward Chaining
• Starting point :
Backward chaining dimulai dari mengecek rule yang memuat goal (G) pada konklusinya. Karena hanya rule R5 yang memuat konklusi G maka inferensi dimulai dari R5.
• Step 1 : Accept or reject G ? No conclusion, we have A true and B true. • Step 2 : R5 : IF F THEN G
Tidak diketahui apakah F True atau False. F adalah premis dari R5, tetapi F konklusi dari R2 dan R3. Maka test nilai F dilakukan pada R2 atau R3. • Step 3 : R2 : IF D and C THEN F
Jika D dan C keduanya True maka F bernilai True. Masalahnya, D bukan fakta dan juga bukan konklusi. Proses buntu, beralih ke R3 (backtracking)
• Step 4 : R3 : IF B and E THEN F
B True (fakta). Untuk test E, menuju ke R1 dimana E sebagai konklusi. • Step 5 : R1 : IF A and C THEN E
A True (fakta). Untuk test C, menuju ke R4 dimana C sebagai konklusi. • Step 6 : R4 : IF B THEN C
Karena B True (fakta) maka C bernilai True. Ambil C sebagai fakta baru. • Step 7 : Jika C True maka E True (R1), sehingga dari R3 maka F True
dan akhirnya G True
Jadi orang tersebut dapat menginvestasikan modalnya di saham IBM
Methods of Reasoning: with Rules
Backward Chaining
41 Start (Step 1) G F THEN R5 : IF C B THEN R4 : IF G B And R3 : IF E THEN F D And R2 : IF C THEN E A And R1 : IF C THEN Step 2 Step 3 Step 4 Step 5 Step 6 True True True (akibat) bactrackingMethods of Reasoning: with Rules
Backward Chaining
• Backward Chaining (Contoh Sederhana) 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 Fakta : dolar turun
Tujuan : Beli obligasi atau tidak ?
harga obligasi turun
beli obligasi suku bunga naik dolar turun
R6 R2 R5
Karena sesuai dengan fakta, maka keputusannya adalah membeli obligasi.
43
- Forward Chaining (Penalaran Maju)
Pendekatan data-driven.
Inferensi diawali dari fakta-2 yang ada/keadaan awal (bagian IF), kemudian mencoba melakukan konklusi menggunakan aturan.
Komputer menganalisis masalah dengan melihat fakta-fakta yang cocok dengan aturan (rules).
Contoh : Keputusan Berinvestasi. Persoalan, fakta dan tujuan sama dengan sebelumnya.
Fakta : A True Rules : R1 : IF A and C THEN E Goal : Accept or Reject G B True R2 : IF D and C THEN F
R3 : IF B and E THEN F R4 : IF B THEN C R5 : IF F THEN G
Methods of Reasoning: with Rules
Forward Chaining
• Starting point :
Diketahui A dan B True. Inferensi dapat dimulai dari salah satu fakta, misal A. Cari rule yang mengandung A pada anteseden (premis). Hanya R1 yang dijumpai. • Step 1 : R1 : IF A and C THEN E
Sistem melakukan verifikasi E, tetapi diperlukan informasi nilai C. Sistem akan mencari rule yang mengandung konklusi C, yaitu R4.
• Step 5 : R5 : IF F THEN G Karena F True maka G True. • Step 3 : R1 : IF A and C THEN E
Karena A dan C True maka E True. Proses menuju R3 dimana E sebagai premis. • Step 4 : R3 : IF B and E THEN F
B True (fakta) dan E True maka F True. Proses menuju ke R5 dimana F sebagai premis. • Step 2 : R4 : IF B THEN C
Karena B True (fakta) maka C bernilai True.
Sistem AI merekomendasikan orang tersebut untuk menginvestasikan modalnya di saham IBM
Methods of Reasoning: with Rules
Forward Chaining
45
• Forward Chaining (Contoh Sederhana)
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 Fakta : dolar turun
Tujuan : Beli obligasi atau tidak ?
suku bunga naik
dolar turun harga obligasi turun beli obligasi
R5 R2 R6
Karena fakta yang ada membawa ke tercapainya tujuan, maka keputusannya adalah membeli obligasi.
• Faktor-faktor yang mempengaruhi pemilihan backward/forward chaining - Banyaknya keadaan awal dan tujuan. Jika jumlah keadaan awal lebih kecil
dari tujuan lebih baik gunakan forward.
Sebailknya, jika jumlah keadaan awal lebih besar dari tujuan maka lebih baik gunakan backward.
- Bentuk kejadian yang memicu penyelesaian masalah. Jika kejadian berupa fakta baru, lebih baik digunakan forward.
Sebaliknya, jika kejadian berupa query, lebih baik digunakan backward.
Methods of Reasoning: with Rules
Forward Chaining
47
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…….
Referensi
49 Aris Marjuni, Materi Ajar: Artificial Intelligence, 2005
