IKI 30320: Sistem Cerdas Kuliah 15: Alternatives to FOL
|
|
|
- Dewi Makmur
- 7 tahun lalu
- Tontonan:
Transkripsi
1 IKI 30320: Sistem Cerdas : Alternatives to FOL Fakultas Ilmu Komputer Universitas Indonesia 14 November 2007
2 Outline
3 Review Banyak riset AI knowledge-based system/agent Representasi pengetahuan sbg. kalimat Kemampuan mengolah kalimat intelligent FOL cukup expressive Tetapi inference scr. umum intractable Banyak riset AI mencari bahasa alternatif. Terutama yg. berkaitan dengan Categories & Objects
4 Outline
5 The Logic Of The Future TM Existential Graphs (Charles Peirce, 1909)
6 The Logic Of The Future TM Existential Graphs (Charles Peirce, 1909) Nets (Quillian, 60an)
7 The Logic Of The Future TM Existential Graphs (Charles Peirce, 1909) Nets (Quillian, 60an) Conceptual Graphs (Sowa, 80an)
8 The Logic Of The Future TM Existential Graphs (Charles Peirce, 1909) Nets (Quillian, 60an) Conceptual Graphs (Sowa, 80an) Intinya: Notasi graph Node = object Edge = relation
9 The Logic Of The Future TM Existential Graphs (Charles Peirce, 1909) Nets (Quillian, 60an) Conceptual Graphs (Sowa, 80an) Intinya: Notasi graph Node = object Edge = relation Bisa disimulasikan FOL!
10 Contoh semantic network
11 Contoh semantic network
12 Contoh semantic network Mammals HasMother SubsetOf Persons Legs 2 Female Persons SubsetOf SubsetOf Male Persons MemberOf MemberOf Mary SisterOf John Legs 1
13 Sifat semantic networks Seru! Bandingkan dengan: x x Persons [ y HasMother(x, y) y FemalePersons].
14 Sifat semantic networks Seru! Bandingkan dengan: x x Persons [ y HasMother(x, y) y FemalePersons]. Ambigu: Heli is_a dog Heli Dog Dog is_a mammal Dog Mammal
15 Sifat semantic networks Seru! Bandingkan dengan: x x Persons [ y HasMother(x, y) y FemalePersons]. Ambigu: Heli is_a dog Heli Dog Dog is_a mammal Dog Mammal Hanya bisa representasi relasi binary, kecuali dengan reification: Pergi(Anto, Depok, Bogor, Kemarin).
16 Sifat semantic networks Seru! Bandingkan dengan: x x Persons [ y HasMother(x, y) y FemalePersons]. Ambigu: Heli is_a dog Heli Dog Dog is_a mammal Dog Mammal Hanya bisa representasi relasi binary, kecuali dengan reification: Pergi(Anto, Depok, Bogor, Kemarin). menjadi Pergi(P). Pelaku(P, Anto). Asal(P, Depok). Tujuan(P, Bogor). Kapan(P, Kemarin).
17 Sifat semantic networks Seru! Bandingkan dengan: x x Persons [ y HasMother(x, y) y FemalePersons]. Ambigu: Heli is_a dog Heli Dog Dog is_a mammal Dog Mammal Hanya bisa representasi relasi binary, kecuali dengan reification: Pergi(Anto, Depok, Bogor, Kemarin). menjadi Pergi(P). Pelaku(P, Anto). Asal(P, Depok). Tujuan(P, Bogor). Kapan(P, Kemarin). Inheritance secara fleksibel: default reasoning + overriding (John = 1 leg), multiple inheritance (OOP?)
18 Sifat semantic networks Inference sangat cepat (inheritance,membership, dll.) Tidak se-expressive FOL: tidak ada negation, disjunction, function, quantifier, dll. Meskipun demikian, cukup banyak digunakan dalam AI. Contoh paling terkenal: WordNet.
19 Outline
20 FOL terlalu sulit? +: FOL expressive, inference sound+complete -: FOL sulit dipahami, intractable
21 FOL terlalu sulit? +: FOL expressive, inference sound+complete -: FOL sulit dipahami, intractable Logic (DL) adalah logic yang lebih sederhana Lebih mudah dipahami Inference lebih cepat (tractability)
22 FOL terlalu sulit? +: FOL expressive, inference sound+complete -: FOL sulit dipahami, intractable Logic (DL) adalah logic yang lebih sederhana Lebih mudah dipahami Inference lebih cepat (tractability) DL menitikberatkan struktur taksonomi (objects, categories) network yang lebih diformalkan
23 KB dalam DL KB tentang domain D dalam Logic dibagi 2: TBox: kalimat Terminological - pengetahuan umum tentang D Mis: Anjing adalah sejenis mamalia, Anjing memiliki 4 kaki. ABox: kalimat Assertion - pengetahuan spesifik tentang D Mis: Heli adalah seekor anjing, Heli dimakan Bruno. TBox adalah tempat mendefinisikan konsep. ABox adalah tempat mendefinisikan instance. (Bisa) ada negation, quantifier, disjunction.
24 Contoh: FOL vs. DL Bachelors are unmarried adult males DL: Bachelor = And(Unmarried, Adult, Male). FOL: x Bachelor(x) Unmarried(x) Adult(x) Male(x).
25 Contoh: FOL vs. DL Bachelors are unmarried adult males DL: Bachelor = And(Unmarried, Adult, Male). FOL: x Bachelor(x) Unmarried(x) Adult(x) Male(x). Pria yang memiliki sekurangnya 3 putra, semuanya pengangguran dan kawin dengan doktor, dan paling banyak 2 putri, semuanya profesor jurusan fisika atau kimia DL: And(Man,AtLeast(3,Son),AtMost(2,Daughter), All(Son,And(Unemployed,Married,All(Spouse,Doctor))), All(Daughter,And(Professor,Fills(Department,Physics,Math)))). FOL:???
26 Mengatasi kerancuan panah+lingkaran Apakah artinya kelinci --makan--> tanaman?
27 Mengatasi kerancuan panah+lingkaran Apakah artinya kelinci --makan--> tanaman? Kelinci hanya makan tanaman?
28 Mengatasi kerancuan panah+lingkaran Apakah artinya kelinci --makan--> tanaman? Kelinci hanya makan tanaman? Kelinci bisa makan tanaman (dll.)?
29 Mengatasi kerancuan panah+lingkaran Apakah artinya kelinci --makan--> tanaman? Kelinci hanya makan tanaman? Kelinci bisa makan tanaman (dll.)? Ada seekor kelinci spesifik yang hanya/bisa makan tanaman?
30 Mengatasi kerancuan panah+lingkaran Apakah artinya kelinci --makan--> tanaman? Kelinci hanya makan tanaman? Kelinci bisa makan tanaman (dll.)? Ada seekor kelinci spesifik yang hanya/bisa makan tanaman? Ada beberapa ekor kelinci yang makan tanaman (yang lain makan rendang)?
31 Mengatasi kerancuan panah+lingkaran Apakah artinya kelinci --makan--> tanaman? Kelinci hanya makan tanaman? Kelinci bisa makan tanaman (dll.)? Ada seekor kelinci spesifik yang hanya/bisa makan tanaman? Ada beberapa ekor kelinci yang makan tanaman (yang lain makan rendang)? Perlu representasi yang semantics-nya jelas, formal. DL set theory (teori himpunan):
32 Mengatasi kerancuan panah+lingkaran Apakah artinya kelinci --makan--> tanaman? Kelinci hanya makan tanaman? Kelinci bisa makan tanaman (dll.)? Ada seekor kelinci spesifik yang hanya/bisa makan tanaman? Ada beberapa ekor kelinci yang makan tanaman (yang lain makan rendang)? Perlu representasi yang semantics-nya jelas, formal. DL set theory (teori himpunan): Domain himpunan object
33 Mengatasi kerancuan panah+lingkaran Apakah artinya kelinci --makan--> tanaman? Kelinci hanya makan tanaman? Kelinci bisa makan tanaman (dll.)? Ada seekor kelinci spesifik yang hanya/bisa makan tanaman? Ada beberapa ekor kelinci yang makan tanaman (yang lain makan rendang)? Perlu representasi yang semantics-nya jelas, formal. DL set theory (teori himpunan): Domain himpunan object Class/category (sub)himpunan object
34 Mengatasi kerancuan panah+lingkaran Apakah artinya kelinci --makan--> tanaman? Kelinci hanya makan tanaman? Kelinci bisa makan tanaman (dll.)? Ada seekor kelinci spesifik yang hanya/bisa makan tanaman? Ada beberapa ekor kelinci yang makan tanaman (yang lain makan rendang)? Perlu representasi yang semantics-nya jelas, formal. DL set theory (teori himpunan): Domain himpunan object Class/category (sub)himpunan object Role/relation himpunan pasangan object (dlm. DL, bisa ada,, n)
35 Inference pada DL
36 Inference pada DL Subsumption: apakah category c 1 adalah subset category c 2 berdasarkan definisinya?
37 Inference pada DL Subsumption: apakah category c 1 adalah subset category c 2 berdasarkan definisinya? Classification: apakah object o adalah anggota category c berdasarkan definisinya?
38 Inference pada DL Subsumption: apakah category c 1 adalah subset category c 2 berdasarkan definisinya? Classification: apakah object o adalah anggota category c berdasarkan definisinya? Consistency: apakah definisi sebuah category c dapat dipenuhi (satisfiable)
39 Inference pada DL Subsumption: apakah category c 1 adalah subset category c 2 berdasarkan definisinya? Classification: apakah object o adalah anggota category c berdasarkan definisinya? Consistency: apakah definisi sebuah category c dapat dipenuhi (satisfiable) Pada umumnya, cepat inference dlm. waktu polynomial Contoh sistem DL: KLONE, CLASSIC, KAON, RACER, dll.
40 Outline
41 DL & DL menjadi dasar representation & inference pada. OWL Web Ontology Language: Ide dasar: Lengkapi data di Internet dengan metadata (RDF) Rancang ontology (OWL) Inference dengan subsumption + classification Contoh aplikasi: Intelligent searching Composable web services grid
42 Outline
43 Alternatif FOL yang lebih enteng Gambar enak dilihat, tapi bisa ambigu! Logic: formal, efisien, fokus pada category + object Dasar dari inference (OWL) Representational trade-off antara expressiveness dan tractability
IKI 30320: Sistem Cerdas Kuliah 16: Probabilistic Reasoning
IKI 30320: Sistem Cerdas : Probabilistic Reasoning Fakultas Ilmu Komputer Universitas Indonesia 21 November 2007 Outline 1 2 3 4 5 Outline 1 2 3 4 5 Knowledge engineering di FKG Anda diminta membuat agent
IKI30320 Kuliah Nov Ruli Manurung. Uncertainty. Probability theory. Semantics & Syntax. Inference. Ringkasan
Outline IKI 30320: Sistem Cerdas : Probabilistic Reasoning 1 2 3 Fakultas Ilmu Komputer Universitas Indonesia 4 21 November 2007 5 Knowledge engineering di FKG Duniah penuh ketidakpastian (uncertainty)
BAB 3 REASONING, SEMANTIC NETWORK, FRAME 18 (4) Semua manusia adalah fana (5) Semua orang berkebangsaan x meninggal karena adanya bencana banjir tahun
Bab3 Reasoning, Semantic Network, Frame POKOK BAHASAN: Reasoning Semantic Network Frame TUJUAN BELAJAR: Setelah mempelajari bab ini, mahasiswa diharapkan mampu: Memahami Representasi Pengetahuan selain
BAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN Bab ini berisi tentang latar belakang penelitian yang dilakukan pada tugas akhir, permasalahan, tujuan, ruang lingkup dan manfaat penelitian, serta sistematika penulisan. 1.1 Latar Belakang
Kecerdasan Buatan Pertemuan 3 IT-EEPIS. Entin Martiana
Kecerdasan Buatan Pertemuan 3 IT-EEPIS Entin Martiana Mengamati permasalahan untuk mendapatkan jawaban dari suatu pertanyaan yang didasarkan pada data mengenai fakta sederhana 1. Marcus was a man 2. Marcus
Definisi Semantic Web
Semantic Web 1 Definisi Semantic Web Semantic web adalah sebuah visi: ide atau pemikiran dari bagaimana memiliki data pada web yang didefinisikan dan dihubungkan dengan suatu cara dimana dapat digunakan
APLIKASI PENCARIAN HEWAN BERKAKI EMPAT DENGAN MENGGUNAKAN WEB SEMANTIK. : Faizal Wijayanto NPM :
APLIKASI PENCARIAN HEWAN BERKAKI EMPAT DENGAN MENGGUNAKAN WEB SEMANTIK NAMA : Faizal Wijayanto NPM : 12112697 PEMBIMBING : Dr. Metty Mustikasari, Skom., MSc LATAR BELAKANG MASALAH Masih kurangnya informasi
IKI30320 Kuliah Okt Ruli Manurung. Mengapa FOL? Definisi FOL Syntax FOL Semantics FOL Quantifiers Equality. KBA dgn. FOL.
Outline 1?? Definisi IKI 30320: Sistem Cerdas : First Order Logic? Definisi 2 Definisi Fakultas Ilmu Komputer Universitas Indonesia 29 Oktober 2007 3 4 5 Propositional logic sebagai KRL First Order Logic?
BAB I PENDAHULUAN. Proses penyimpanan makna dan kandungan dari suatu domain pengetahuan
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Proses penyimpanan makna dan kandungan dari suatu domain pengetahuan dengan menggunakan basis data relasional atau dalam bentuk dokumen terstruktur memiliki
Pemodelan Ontologi Web Semantik pada Pencarian Lowongan Pekerjaan Berdasarkan Profil Pencari Kerja
P-ISSN : 2087-9571, E-ISSN : 2541-335X IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 1 Pemodelan Ontologi Web Semantik pada Pencarian Lowongan Pekerjaan Berdasarkan Profil Pencari Kerja * Yunita Universitas Sriwijaya:
BAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini berisi tentang data dan informasi yang berkaitan dengan pokok permasalahan yang akan diuji, yaitu dengan mendalami tentang klasifikasi teks. Selain itu juga membahas
Outline. 1. Latar Belakang. 2. Superclass/Subclass Relationship. 3. Specialisasi dan Generalisasi. 4. Hierarchy dan Lattice
Pemodelan EER 1 Tujuan Pemelajaran Setelah mengikuti pemelajaran pada topik ini, jika diberikan requirement basis data, Anda diharapkan dapat memodelkan basis data dengan tepat mengunakan Enhanced Entity
Bab 1 Pendahuluan 1.1 Latar Belakang masalah
Bab 1 Pendahuluan 1.1 Latar Belakang masalah Website merupakan suatu kebutuhan bagi masyarakat modern sekarang ini, baik itu digunakan untuk melakukan transaksi, penyebaran informasi, maupun pencarian
LOGIKA INFORMATIKA PROPOSITION LOGIC. Materi-2. Heri Sismoro, M.Kom. STMIK AMIKOM Yogyakarta
Materi-2 PROPOSITION LOGIC LOGIKA INFORMATIKA Heri Sismoro, M.Kom. STMIK AMIKOM Yogyakarta STMIK AMIKOM YOGYAKARTA Jl. Ringroad Utara Condong Catur Yogyakarta. Telp. 0274 884201 Fax 0274-884208 Website:
Representasi Pengetahuan (I) Arti Pengetahuan Aturan Produksi Jaringan Semantik Triplet Obyek-Atribut-Angka
Representasi Pengetahuan (I) Arti Pengetahuan Aturan Produksi Jaringan Semantik Triplet Obyek-Atribut-Angka 1 Epistemology Studi tentang pengetahuan Cabang dari ilmu filsafat yang membahas tentang teori
Pertemuan 3 DATA MODEL
Pertemuan 3 DATA MODEL PENGERTIAN MODEL DATA : Sekumpulan konsep-konsep untuk menerangkan data, hubungan-hubungan antara data dan batasanbatasan data yang terintegrasi di dalam suatu organisasi JENIS-JENIS
Enhanced Entity Relationship. Mata Ajar Basis Data 1
Enhanced Entity Relationship Mata Ajar Basis Data 1 Tujuan Pemelajaran Setelah mengikuti pemelajaran pada topik ini, jika diberikan requirement basis data, Anda diharapkan dapat memodelkan basis data dengan
PEMBENTUKAN WORD GRAPH PREPOSISI BAHASA INDONESIA MENGGUNAKAN METODE KNOWLEDGE GRAPH
PEMBENTUKAN W GRAPH PREPOSISI BAHASA INDONESIA MENGGUNAKAN METODE KNOWLEDGE GRAPH Wulan Anggraeni Program Studi Pendidikan Matematika Fakultas Teknik, Matematika & Ilmu Pengetahuan Alam Universitas Indraprasta
DATA MODEL. Pertemuan 3
Pertemuan 3 DATA MODEL PENGERTIAN MODEL DATA : Sekumpulan konsep-konsep untuk menerangkan data, hubungan-hubungan antara data dan batasanbatasan data yang terintegrasi di dalam suatu organisasi JENIS-JENIS
Types of database models. Rima Dias Ramadhani, S.Kom., M.Kom Wa:
Types of database models Rima Dias Ramadhani, S.Kom., M.Kom Email: rima@ittelkom-pwt@ac.id Wa: 087731680017 Abstraksi Data Merupakan tingkatan/level bagaimana kita melihat data dalam sebuah sistem basis
IKI 30320: Sistem Cerdas Kuliah 12: First Order Logic
? Definisi IKI 30320: Sistem Cerdas : First Order Logic Fakultas Ilmu Komputer Universitas Indonesia 29 Oktober 2007 Outline? Definisi 1? 2 Definisi 3 4 5 Outline? Definisi 1? 2 Definisi 3 4 5 Propositional
@UKDW BAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pada saat ini, sangatlah mudah untuk mendapatkan informasi, baik melalui media cetak maupun media elektronik. Akan tetapi, banyaknya informasi yang ada belum tentu
BAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1. Pencarian Pencarian adalah proses untuk menemukan suatu informasi yang kita butuhkan. Misalnya, kita ingin mencari sebuah kata didalam dokumen digital yang kita miliki. Kita
PENERAPAN WEB SEMANTIK UNTUK APLIKASI PENCARIAN PADA REPOSITORI KOLEKSI PENELITIAN, STUDI KASUS: PROGRAM STUDI SISTEM INFORMASI STMIK MIKROSKIL MEDAN
PENERAPAN WEB SEMANTIK UNTUK APLIKASI PENCARIAN PADA REPOSITORI KOLEKSI PENELITIAN, STUDI KASUS: PROGRAM STUDI SISTEM INFORMASI STMIK MIKROSKIL MEDAN Gunawan 1, Fandi Halim 2 Program Studi Sistem Informasi,
Konsep Pemrograman Berbasis Obyek
Konsep Pemrograman Berbasis Obyek Tujuan Pembelajaran Memahami konsep Pemrograman Berbasis Obyek atau Object Oriented Programming (OOP) Memahami perbedaan antara pemrograman OOP dengan pemrograman prosedural
Matematika Diskrit. Rudi Susanto
Matematika Diskrit Rudi Susanto Rasa ingin tahu adalah ibu dari semua ilmu pengetahuan Tak kenal maka tak sayang, tak sayang maka tak cinta Perjalanan satu mil dimulai dari satu langkah Kuliah kita.. Matematika
CASE TOOL UNTUK PEMODELAN SEMANTIK DATA DALAM WEB ONTOLOGY LAGUANGE (OWL)
CASE TOOL UNTUK PEMODELAN SEMANTIK DATA DALAM WEB ONTOLOGY LAGUANGE (OWL) Catur Bawa 1), Daniel Siahaan 2) Jurusan Teknik Informatika Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember Surabaya
PENERAPAN SEMANTIC SEARCHING BERBASIS ONTOLOGI PADA PERPUSTAKAAN DIGITAL
PENERAPAN SEMANTIC SEARCHING BERBASIS ONTOLOGI PADA PERPUSTAKAAN DIGITAL i SKRIPSI S U L H A N 041401025 PROGRAM STUDI S-1 ILMU KOMPUTER DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Uzlina Rahmawati
Pengembangan Repositori Pengetahuan Berbasis Ontology (Ontology-driven Knowledge Repository) untuk Tanaman Obat Dinas Pertanian (Studi Kasus : Jawa Timur) Uzlina Rahmawati 5208100703 LATAR BELAKANG Tujuan
Kecerdasan Buatan/ Artificial Intelligence
Kecerdasan Buatan/ Artificial Intelligence Bayesian Network Imam Cholissodin, S.Si., M.Kom. Pokok Bahasan 1. Syntax & Semantics 2. Compact conditional distributions 3. Efficient Inference 4. Latihan Individu
REPRESENTASI PENGETAHUAN
REPRESENTASI PENGETAHUAN Representasi Pengetahuan (Knowledge Representation) dimaksudkan untuk menangkap sifatsifat penting masalah dan membuat infomasi dapat diakses oleh prosedur pemecahan masalah. Bahasa
PERTEMUAN 3 MODEL DATA JUM AT,
PERTEMUAN 3 MODEL DATA JUM AT, 6-10-16 MODEL DATA PENGERTIAN MODEL DATA : Sekumpulan konsep-konsep untuk menerangkan data, hubungan-hubungan antara data dan batasan-batasan data yang terintegrasi di dalam
PENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Berkembangnya teknologi komputer semakin menarik minat para insan ilmiah untuk berkreasi dan berkarya. Berbagai penelitian yang dilakukan telah melahirkan metode atau teknologi
Pertemuan 3 DATA MODEL
Pertemuan 3 DATA MODEL PENGERTIAN MODEL DATA : Sekumpulan konsep-konsep untuk menerangkan data, hubungan-hubungan antara data dan batasan-batasan data yang terintegrasi di dalam suatu organisasi JENIS-JENIS
Materi-3 PROPOSITION LOGIC. Properties of Sentences Inference Methods Quantifier Sentences
Materi-3 PROPOSITION LOGIC Properties of Sentences Inference Methods Quantifier Sentences 1 Properties of Sentences Adalah sifat-sifat yang dimiliki oleh kalimat logika Ada 3 sifat, yaitu: 1. Valid 2.
URi. Program Studi Sistem Informasi Universitas Gunadarma.
APLIKASI PENCARIAN PARIWISATA PERAIRAN DI INDONESIA DENGAN MENGGUNAKAN PENDEKATAN WEB SEMANTIK ABSTRAK Aplikasi pencarian Pariwisata berbasis Web dengan menggunakan pendekatan Semantic Web ini bertujuan
STUDI TENTANG PEMODELAN ONTOLOGI WEB SEMANTIK DAN PROSPEK PENERAPAN PADA BIBLIOGRAFI ARTIKEL JURNAL ILMIAH
STUDI TENTANG PEMODELAN ONTOLOGI WEB SEMANTIK DAN PROSPEK PENERAPAN PADA BIBLIOGRAFI ARTIKEL JURNAL ILMIAH Yunizar Fahmi Badron 1*, Fahrul Agus 2, Heliza Rahmania Hatta 3 Ilmu Komputer, Fakultas Ilmu Komputer
INTELEGENSI BUATAN. Pertemuan 4,5 Representasi Pengetahuan. M. Miftakul Amin, M. Eng. website :
INTELEGENSI BUATAN Pertemuan 4,5 Representasi Pengetahuan M. Miftakul Amin, M. Eng. e-mail: mmiftakulamin@gmail.com website : http://mafisamin.web.ugm.ac.id Jurusan Teknik Komputer Jurusan Teknik Komputer
JSIKA Vol. 5, No. 8, Tahun 2016 ISSN X RANCANG BANGUN APLIKASI ENSIKLOPEDIA TANAMAN OBAT BERBASIS SEMANTIK WEB
RANCANG BANGUN APLIKASI ENSIKLOPEDIA TANAMAN OBAT BERBASIS SEMANTIK WEB Febri Pradana P 1) Jusak 2) Ignatius Adrian 3) Program Studi/Jurusan Sistem Informasi Institut Bisnis dan Informatika Stikom surabaya
Pertemuan 3 DATA MODEL
Pertemuan 3 DATA MODEL DATA MODEL PENGERTIAN MODEL DATA Sekumpulan konsep-konsep untuk menerangkan data, hubungan-hubungan antara data dan batasan-batasan data yang terintegrasi di dalam suatu organisasi
Perancangan Model Ontologi Pada Sistem Informasi Manajemen Skripsi
Perancangan Model Ontologi Pada Sistem Informasi Manajemen Skripsi Fajar Saptono, Idria Maita Jurusan Sistem Informasi Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif Kasim Pekanbaru
PROPOSITION LOGIC LOGIKA INFORMATIKA. Properties of Sentences Inference Methods Quantifier Sentences. Heri Sismoro, M.Kom. STMIK AMIKOM Yogyakarta
1 PROPOSITION LOGIC Properties of Sentences Inference Methods Quantifier Sentences LOGIKA INFORMATIKA Heri Sismoro, M.Kom. STMIK AMIKOM Yogyakarta 2 Properties of Sentences Adalah sifat-sifat yang dimiliki
Rasa ingin tahu adalah ibu dari semua ilmu pengetahuan. Tak kenal maka tak sayang, tak sayang maka tak cinta
Rasa ingin tahu adalah ibu dari semua ilmu pengetahuan Tak kenal maka tak sayang, tak sayang maka tak cinta Perjalanan satu mil dimulai dari satu langkah 1 Dahulu namanya.. Matematika Diskrit 2 Mengapa
BAB II TINJAUAN PUSTAKA
3 BAB II TINJAUAN PUSTAKA Pada bab ini diberikan beberapa penjelasan yang akan digunakan pada bab-bab selanjutnya. 1. Kelas Kata Semantik (Yunani : semanein = berarti, bermaksud; semanticos = makna) adalah
I PENDAHULUAN II TINJAUAN PUSTAKA
I PENDAHULUAN 1.1 Latar Belakang Penelitian Cara termudah untuk mendapatkan informasi dari sebuah teks adalah dengan meringkasnya, karena membaca sebuah ringkasan tidak memerlukan waktu lama, dibandingkan
BAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan internet yang meningkat dengan cepat berpengaruh pada semakin bertambahnya jumlah pengguna internet di dunia. Ini tentunya tak lepas dari penyebaran data
Pengantar Matematika Diskrit
Materi Kuliah Matematika Diskrit Pengantar Matematika Diskrit Didin Astriani Prasetyowati, M.Stat Program Studi Informatika UIGM 1 Apakah Matematika Diskrit itu? Matematika Diskrit: cabang matematika yang
Proposition Logic. (Logika Proposisional) Bimo Sunarfri Hantono
Proposition Logic (Logika Proposisional) Bimo Sunarfri Hantono bimo@te.ugm.ac.id Proposition (pernyataan) Merupakan komponen penyusun logika dasar yang dilambangkan dengan huruf kecil (p, q, r,...) yang
Ontology Model untuk Tourist Information Retrieval
Konferensi Nasional Sistem & Informatika 2017 STMIK STIKOM Bali, 10 Agustus 2017 Ontology Model untuk Tourist Information Retrieval Kadek Dwi Pradnyani Novianti 1), Made Satria Wibawa 2) STMIK STIKOM Bali
PENDAHULUAN TINJAUAN PUSTAKA
Latar Belakang PENDAHULUAN Slither link adalah salah satu permainan kertas terkenal yang sulit untuk dipecahkan secara konvensional. Tujuan dari slither link adalah membentuk loop, yaitu sebuah putaran
Andie Hariyadi Supriyatna
APLIKASI PENCARIAN PARIWISATA PERAIRAN DI INDONESIA DENGAN MENGGUNAKAN PENDEKATAN WEB SEMANTIK Andie Hariyadi Supriyatna Mahasiswa S1 Program Studi Sistem Informasi Universitas Gunadarma, Jl. Margonda
IMPLEMENTASI METHONTOLOGY UNTUK PEMBANGUNAN MODEL ONTOLOGI PROGRAM STUDI PADA PERGURUAN TINGGI DI BALI
IMPLEMENTASI METHONTOLOGY UNTUK PEMBANGUNAN MODEL ONTOLOGI PROGRAM STUDI PADA PERGURUAN TINGGI DI BALI Kadek Dwi Pradnyani Novianti Dosen Program Studi Informasi STMIK STIKOM Bali novianti@stikom-bali.ac.id
IKI 30320: Sistem Cerdas Kuliah 11: Logical Inference & Wumpus Agent
IKI 30320: Sistem Cerdas : Logical Inference & Wumpus Agent Fakultas Ilmu Komputer Universitas Indonesia 24 Oktober 2007 Outline 1 2 3 Knowledge-based Jenis-jenis metode pembuktian Secara umum, ada 2 jenis:
SATUAN ACARA PERKULIAHAN UNIVERSITAS GUNADARMA
Mata Kuliah Kode / SKS Program Studi Fakultas : Sistem : IT012234 / 2 SKS : Sistem Komputer : Ilmu Komputer & Teknologi Informasi 1 Review Sistem Mahasiswa mengingat mbali konsep serta ruang lingkup dan
BAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Bab landasan teori bertujuan untuk memberikan penjelasan mengenai metode atau pun teori yang digunakan dalam laporan tugas akhir ini, sehingga dapat membangun pemahaman yang sama antara
Bab 2. Tinjauan Pustaka
Bab 2 Tinjauan Pustaka 2.1 Penelitian Terdahulu Penelitian sebelumnya yang terkait dengan penelitian ini, dengan judul Software Support for XML Schema Design Patterns and Pattern Matching of XML Schemas
PEMODELAN SISTEM. Pemodelan & simulasi TM05
PEMODELAN SISTEM Pemodelan & simulasi TM5 Pemodelan Sistem isik Pemodelan matematis dari sebuah sistem diperoleh dg mengaplikasikan hukum-hukum fisika yg scr natural mengatur komponen-komponen yg ada dlm
Oleh : Rahmady Liyantanto
Oleh : Rahmady Liyantanto } Pemodelan Sistem } Pemodelan Data : ERD } Pemodelan Entity-Relationship } Model berorientasi objek } Pengenalan Objek } Object-Oriented vs Object-based } Model sbg alat komunikasi
2/22/2017 IDE DASAR PENGANTAR SISTEM PAKAR MODEL SISTEM PAKAR APLIKASI KECERDASAN BUATAN
APLIKASI KECERDASAN BUATAN PENGANTAR SISTEM PAKAR Shinta P. Sari Prodi. Informatika Fasilkom UIGM, 2017 Definisi : Sebuah program komputer yang dirancang untuk memodelkan kemampuan menyelesaikan masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Bagi perusahaan yang bergerak dalam industri manufaktur, sistem informasi produksi yang efektif merupakan suatu keharusan dan tidak lepas dari persoalan persediaan
KONSTRUKSI ATURAN PENGGABUNGAN DUA GRAF KALIMAT (The Construction of a Rule to Combine Two Sentence Graphs)
SNGKA, Majalah Ilmiah Bahasa dan Sastra Volume 11 Nomor 1 Edisi Juni 2014 (16 25) KONSTRUKSI ATURAN PENGGABUNGAN DUA GRAF KMAT (The Construction of a Rule to Combine Two Sentence Graphs) Ayu Amanah, Sri
DIMENSI METRIK PENGEMBANGAN GRAF KINCIR POLA K 1 + mk 3
J. Math. and Its Appl. ISSN: 1829-605X Vol. 8, No. 2, November 2011, 17 22 DIMENSI METRIK PENGEMBANGAN GRAF KINCIR POLA K 1 + mk 3 Suhud Wahyudi, Sumarno, Suharmadi Jurusan Matematika, FMIPA ITS Surabaya
Artificial Intelegence. Representasi Logica Knowledge
Artificial Intelegence Representasi Logica Knowledge Outline 1. Logika dan Set Jaringan 2. Logika Proposisi 3. Logika Predikat Order Pertama 4. Quantifier Universal 5. Quantifier Existensial 6. Quantifier
BASIS DATA MODEL BASIS DATA
BASIS DATA MODEL BASIS DATA APA ITU MODEL BASIS DATA? Model database menunjukkan struktur logis dari suatu basis data, termasuk hubungan dan batasan yang menentukan bagaimana data dapat disimpan dan diakses.
SEMANTIC WEB RULE BASE (SWRL) Ari Muzakir
SEMANTIC WEB RULE BASE (SWRL) Ari Muzakir Model Ontologi Ontologi adalah suatu konseptual yang formal dari sebuah domain tertentu yang dipakai bersama oleh kelompok orang. Ontologi merupakan teori tentang
Pengenalan Kecerdasan Buatan (KB)
Pengenalan Kecerdasan Buatan (KB) Pengertian Kecerdasan Buatan VS Kecerdasan Alami Komputasi KB VS Komputasi Konvensional Sejarah KB Lingkup KB Soft Computing Referensi Luger & Stubblefield - bab 1 Sri
SATUAN ACARA PERKULIAHAN MATA KULIAH : PENGANTAR KECERDASAN BUATAN (AK ) FAKULTAS / JURUSAN : TEKNIK INFORMATIKA / S-1 SKS/SEMESTER : 2/8
SATUAN ACARA PERKULIAHAN MATA KULIAH : PENGANTAR KECERDASAN BUATAN (AK-045218) FAKULTAS / JURUSAN : TEKNIK INFORMATIKA / S-1 SKS/SEMESTER : 2/8 Minggu Pokok Bahasan Ke Dan TIU 1 Pengenalan Kecerdasasan
SATUAN ACARA PERKULIAHAN MATA KULIAH INTELIGENSI BUATAN (TK) KODE / SKS : KK / 4 SKS
SATUAN ACARA PERKULIAHAN MATA KULIAH INTELIGENSI BUATAN (TK) KODE / SKS : KK-014420 / 4 SKS Minggu Pokok Bahasan dan 1 1. Konsep dasar AI 2 memahami konsep dasar AI 2. Penyelesaian Masalah berdasarkan
MATERI 1 PENDAHULUAN (PENGERTIAN TEORI AKUNTANSI-TA) 2/28/2013. Bandi,
MATERI 1 PENDAHULUAN (PENGERTIAN TEORI AKUNTANSI-TA) Bandi, 2007 1 PENDAHULUAN Dua orientasi perkembangan akuntansi 1. Normatif proses penalaran/rekayasa dlm membangun sistem pelp keuangan dlm satu wilayah
KECERDASAN BUATAN Artificial Intelligence (AI)
KECERDASAN BUATAN Artificial Intelligence (AI) Pengertian AI Putu Putra Astawa S.Kom.,M.kom Ptputraastawa@gmail.com Ptputraastawa.wordpress.com Kedudukan Ilmu Kecerdasan Buatan Kecerdasan? Kecerdasan berasal
Teknik Informatika S1
Teknik Informatika S1 Software Requirement Engineering Specification of Requirements Models Disusun Oleh: Egia Rosi Subhiyakto, M.Kom, M.CS Teknik Informatika UDINUS egia@dsn.dinus.ac.id +6285740278021
Rancang Bangun Plugin Protégé Menggunakan Ekspresi SPARQL-DL Dengan Masukan Bahasa Alami
IJCCS, Vol.11, No.2, July 2017, pp. 155~164 ISSN: 1978-1520 155 Rancang Bangun Plugin Protégé Menggunakan Ekspresi SPARQL-DL Dengan Masukan Bahasa Alami Muhammad Fahrurrozi* 1, Azhari SN 2 1 Program Studi
PENERAPAN ONTOLOGI OBJEK PEMBELAJARAN UNTUK KEBUTUHAN PERSONALISASI E-LEARNING BERBASIS SEMANTIC WEB SKRIPSI
UNIVERSITAS INDONESIA PENERAPAN ONTOLOGI OBJEK PEMBELAJARAN UNTUK KEBUTUHAN PERSONALISASI E-LEARNING BERBASIS SEMANTIC WEB SKRIPSI Diajukan sebagai salah satu syarat untuk memperoleh gelar Sarjana Ilmu
Pengantar Matematika. Diskrit. Bahan Kuliah IF2091 Struktur Diksrit RINALDI MUNIR INSTITUT TEKNOLOGI BANDUNG
PROGRAM STUDI TEKNIK INFORMATIKA Sekolah Teknik Elrektro dan Informatika INSTITUT TEKNOLOGI BANDUNG Pengantar Matematika Bahan Kuliah IF2091 Struktur Diksrit Diskrit RINALDI MUNIR Lab Ilmu dan Rekayasa
Teori Himpunan. Matematika Dasar untuk Teori Bahasa Otomata. Operasi pada Himpunan. Himpunan Tanpa Elemen. Notasi. Powerset & Cartesian Product
Teori Himpunan Matematika Dasar untuk Teori Bahasa Otomata Teori Bahasa & Otomata Semester Ganjil 2009/2010 Himpunan adalah sekumpulan entitas tidak memiliki struktur sifatnya hanya keanggotaan Notasi
Semoga Tuhan memberi berkah pada kelas ini.
Semoga Tuhan memberi berkah pada kelas ini. 1 TUJUAN Agar mahasiswa memahami Sistem Pakar Agar mahasiswa dapat memahami aplikasi dan penerapan dari sistem pakar 2 MATERI POKOK Pertemuan Pokok Bahasan ke-
BAB I Pengenalan Kecerdasan Buatan (Artificial Inteligent / AI ) Created A.Tohir from Dosen Mr.Zulkifli
BAB I Pengenalan Kecerdasan Buatan (Artificial Inteligent / AI ) Created A.Tohir from Dosen Mr.Zulkifli Definisi Kecerdasan Buatan Merupakan salah satu bagian dari ilmu komputer Yang membuat agar mesin
PENGEMBANGAN MODEL KNOWLEDGE MANAGEMENT SYSTEM PADA LEMBAGA RISET: STUDI KASUS BADAN PENGKAJIAN DAN PENERAPAN TEKNOLOGI (BPPT) SKRIPSI
UNIVERSITAS INDONESIA PENGEMBANGAN MODEL KNOWLEDGE MANAGEMENT SYSTEM PADA LEMBAGA RISET: STUDI KASUS BADAN PENGKAJIAN DAN PENERAPAN TEKNOLOGI (BPPT) SKRIPSI PITA LARASATI FAUZIAH NUR 1205007074 FAKULTAS
Konsep dan Arsitektur Basis Data. IKI20410 Basis Data Aniati Murni Fakultas Ilmu Komputer Universitas Indonesia
Konsep dan Arsitektur Basis Data IKI20410 Basis Data Aniati Murni Fakultas Ilmu Komputer Universitas Indonesia TOPIK PEMBAHASAN Data model, Schema and Instance DBMS (Data Base Management System) Architecture
MAKALAH PERANCANGAN BASIS DATA MODEL DATA. Disusun oleh: Ainun Aisyiyah Iman Safuad Ismi Fadhilah
MAKALAH PERANCANGAN BASIS DATA MODEL DATA Disusun oleh: Ainun Aisyiyah 2014001690 Iman Safuad 2014001726 Ismi Fadhilah 2014001729 AMIK Harapan Bangsa Surakarta 2015 MODEL DATA A. Pengertian Model Data
Representasi Pengetahuan : LOGIKA
Representasi Pengetahuan : LOGIKA Representasi Pengetahuan : LOGIKA 1/16 Outline Logika dan Set Jaringan Logika Proposisi Logika Predikat Order Pertama Quantifier Universal Quantifier Existensial Quantifier
Pertemuan 8, 9, 10. Teknik-teknik Data Mining
Pertemuan 8, 9, 10 Teknik-teknik Data Mining Outline Teknik-teknik data mining terdiri dari : Analisis cluster Induksi (pohon keputusan dan aturan induksi) Jaringan syaraf buatan (Neural Network) Online
1. Pendahuluan. 2. Tinjauan Pustaka
1. Pendahuluan Obat adalah bahan atau paduan bahan, termasuk produk biologi yang digunakan untuk mempengaruhi atau menyelidiki sistem fisiologi atau keadaan patologi dalam rangka penetapan diagnosis, pencegahan,
Pengantar Intelijensia buatan. Pertemuan 13 FIRST ORDER LOGIC
Pengantar Intelijensia buatan Pertemuan 13 FIRST ORDER LOGIC What s wrong with Prepositional Logic?? Untuk menyelesaikan suatu permasalahan kita membutuhkan banyak prepositional logic. Banyak sekali Why??
NORMATIF SUWARDJONO AKUNTANSI SCOTT POSITIF
TEORI AKUNTANSI KEUANGAN BANDI bandi.staff.fe.uns.ac.id 1 TEORI AKUNTANSI KEUANGAN (MAGISTER AKUNTANSI FEB UNS) PENDAHULUAN bandi.staff.fe.uns.ac.id 2 AKUNTANSI Pendekatan (orientasi) umum NORMATIF SUWARDJONO
Mesin Pencari Cerdas dengan Web Semantik
Jurnal Generic, Vol. 8, No. 1, Maret 2013, pp. 209~220 ISSN: 1907-4093 (print), 2087-9814 (online) Mesin Pencari Cerdas dengan Web Semantik 209 Aswin Dwiono 1 1 Jurusan Teknik Informatika, Fakultas Ilmu
Model Relasional Basis Data
Modul ke: 03 Sabar Fakultas ILMU KOMPUTER Model Relasional Basis Data Mata Kuliah: Basis Data Rudiarto, S.Kom., M.Kom. Program Studi Teknik Informatika Materi Yang Akan Disampaikan Pengertian Keuntungan
KLASIFIKASI BERITA BERDASARKAN PENDEKATAN SEMANTIK. Dimas Bagus Prasetyo 1 Freddy Arviando 2, Muhammad Farhan Mubarak 3 Sandy Febriant Eka Putra 4
KLASIFIKASI BERITA BERDASARKAN PENDEKATAN SEMANTIK Dimas Bagus Prasetyo 1 Freddy Arviando 2, Muhammad Farhan Mubarak 3 Sandy Febriant Eka Putra 4 1,2,3,4 Jurusan Teknik Informatika, Fakultas Teknologi
Lesson-1. Introduction to Artificial Intelligence
Lesson-1 Introduction to Artificial Intelligence Contoh Aplikasi AI VIDEO Artificial Intelligence Intelligence Kecerdasan Intelegensia Kepintaran Artificial Buatan Semu Artifisial Apa itu AI? Bagaimana
PENGEMBANGAN SISTEM PEMBENTUKAN WORD GRAPH UNTUK TEKS BERBAHASA INDONESIA
PENGEMBANGAN SISTEM PEMBENTUKAN WORD GRAPH UNTUK TEKS BERBAHASA INDONESIA Sri Nurdiati, Deni Romadoni Department Ilmu Komputer, Institut Pertanian Bogor Jl. Meranti, Kampus IPB Darmaga, Bogor 16680, Indonesia
BAB 1 PENDAHULUAN. 1.1.Latar Belakang Penelitian
BAB 1 PENDAHULUAN 1.1.Latar Belakang Penelitian Teknologi mengalami kemajuan yang pesat termasuk di bidang pendidikan. Pembelajaran online menjadi terobosan yang menggembirakan di bidang pendidikan. Namun,
Citra Noviyasari, S.Si, MT SI - UNIKOM
Citra Noviyasari, S.Si, MT SI - UNIKOM Diagram class sebuah spesifikasi yang jika diinstansiasi akan menghasilkan sebuah objek dan merupakan inti dari pengembangan dan desain berorientasi objek. Class
Kecerdasan Buatan (Artificial Intelligence) Muhammad Dahria
Kecerdasan Buatan (Artificial Intelligence) Muhammad Dahria Abstrak Kecerdasan Buatan (Artificial Intelligence) merupakan salah satu bagian dari ilmu komputer yang mempelajari bagaimana membuat mesin (komputer)
PENGUJIAN TOOL ONTOLOGY ENGINEERING
PENGUJIAN TOOL ONTOLOGY ENGINEERING I Wayan Simri Wicaksana, Kris Triyantio, Lintang Y. Banowosari. Universitas Gunadarma PT. Radiant Centra Nusa E-mail: {iwayan,lintang}@staff.gunadarma.ac.id, antio 7@yahoo.com
FIRDAUS SOLIHIN FAKULTAS TEKNIK UNIVERSITAS TRUNOJOYO
BAHASA FORMAL AUTOMATA FIRDAUS SOLIHIN FAKULTAS TEKNIK UNIVERSITAS TRUNOJOYO MATERI PENGANTAR AUTOMATA REGULAR EXSPRESSION (RE) FINITE AUTOMATA (FA) TRANSITION GRAPH (TG) THEOREMA KLEENE CONTEXT FREE GRAMMAR
Representasi Pengetahuan (Bagian 3) Logika dan Himpunan. Pertemuan 6
Representasi Pengetahuan (Bagian 3) Logika dan Himpunan Pertemuan 6 Syllogisme Adalah logika formal pertama yang dikembangkan oleh filsuf Yunani, Aristotle pada abad ke-4 SM. Syllogisme mempunyai dua premises
DIMENSI METRIK PADA BEBERAPA KELAS GRAF
DIMENSI METRIK PADA BEBERAPA KELAS GRAF oleh DWI RIA KARTIKA M0112025 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika FAKULTAS MATEMATIKA DAN
BAB III METODOLOGI PENELITIAN. Langkah- langkah yang digunakan dalam penelitian DSS MP-ASI berbasis pemodelan ontologi ditunjukkan oleh gambar 3.
BAB III METODOLOGI PENELITIAN Langkah- langkah yang digunakan dalam penelitian DSS MP-ASI berbasis pemodelan ontologi ditunjukkan oleh gambar 3.1 : Pengumpulan Data Integrasi Model Ontologi MP-ASI dan
MASALAH, RUANG KEADAAN
MASALAH, RUANG KEADAAN PENDAHULUAN Sistem yang menggunakna kecerdasan buatan mencoba untuk memberikan output berupa solusi dari suatu masalah berdasarkan kumpulan pengetahuan yang ada. Input yang diberikan
Pengenalan Obyek. Arna Fariza. Materi
Pengenalan Obyek Arna Fariza Materi Obyek Siklus pengembangan berorientasi obyek Metodologi berorientasi obyek Kelebihan metodologi berorientasi obyek 1 Obyek Obyek adalah tipe data komposit Menyimpan