Lopxmfehf!Fohjoffsjoh!
|
|
- Sri Setiawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Lopxmfehf!Fohjoffsjoh! 1 Pengetahuan (Knowledge) Kunci utama dari Expert System (sistem pakar) Analogi Algoritma + Struktur Data = Program Pengetahuan + Inferensi = Sistem Pakar 2 1
2 Knowledge-Based Agents Domain independent algorithms ASK Inference engine TELL Knowledge Base Domain specific content 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. 3 Knowledge-Based Agents 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 Starts Connected to Flow via pipe Starter Has Gas Pump Pump Carburetor Gas to a Has a Flows Brushes Air Filter 4 2
3 Knowledge 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 Choosing a logic Building knowledge base Implementing proof theory Inferring new facts Programming Choosing programming language Writing program Choosing/writing compiler 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 Knowledge Engineering Process : Knowledge Acquisition Knowledge Representation Knowledge Validation Inference Explanation and Justification Knowledge Validation Source of Knowledge Knowledge Acquisition Knowledge Base Encoding Knowledge Representation Explanation, Justification Inferencing 6 3
4 Knowledge Engineering Knowledge 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? 7 Sources of Knowledge 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. 8 4
5 Stages of Knowledge Acquisition 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 Identification Conceptualitation Formalization Implementation Testing Identify problem characteristics requirements Find concepts to represents knowledge concepts Design structure to organize knowledge structure Formulate rules to embody knowledge rules Validate rules that organize knowledge 9 Knowledge Acquisition 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. 10 5
6 Methods of Knowledge Acquisition Manual - Interview : terstruktur, tidak terstruktur - Tracking methods Semiautomatic - support the expert - support the knowledge engineer Automatic - rule induction - machine learning 11 Knowledge 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) (Kerangka) 12 6
7 Knowledge Representation: Logic Logika (Logic) Logika : bentuk representasi yang paling tua proses membentuk kesimpulan atau menarik suatu inferensi berdasarkan fakta yang sudah ada Input Fakta atau Premis 2 bentuk dasar logika : 1. Logika Proposisi 2. Logika Predikat Proses Logika Output Konklusi atau Inferensi 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 : NOT A A T F F T (Negasi) A : Hari ini hujan A : Hari ini tidak hujan AND A B A B T T T T F F F T F F F F (Konjungsi) A B A B : Mobil itu merknya Honda : Mobil itu warnanya hitam : Mobil itu merknya Honda DAN warnanya hitam 14 7
8 OR A B A B T T T T F T F T T F F F (Disjungi) IMPLIKASI A B A B T T T T F F F T T F F T (If..Then) BIIMPLIKASI A B A B T T T T F F F T F F F T (If and only if) Knowledge Representation: Logic A B A B : Mobil itu merknya Honda : Mobil itu warnanya hitam : 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 A : Saya sakit maag B : Saya terlambat makan A B : Saya sakit maag JIKA DAN HANYA JIKA saya terlambat makan maka 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 16 8
9 Knowledge Representation: Logic 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). 17 Knowledge Representation: Logic 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 dan L, eliminir dari resolvent. c. Jika resolvent berupa klausa kosong, temukan kontradiksi. Jika tidak, tambahkan ke himpunan klausa yang telah ada. 18 9
10 Knowledge Representation: Logic Diketahui basis pengetahuan (fakta-2 bernilai benar) sebagai berikut : 1. P 2. (P Q) R 3. (S T) Q 4. T Buktikan kebenaran dari R. P Q R R Konversi ke CNF 1. P menjadi P 2. (P Q) R menjadi P Q R 2 P Q 6 3. (S T) Q menjadi ( S Q) dan ( T Q) 4. T menjadi T T Q Q Tambahkan kontradiksi R, yaitu R. 4 Sehingga fakta-2 nya menjadi : 1. P 2. P Q R T 3. S Q 4. T Q 5. T 6. R P 1 T 5 19 Contoh Resolusi 20 10
11 Contoh Resolusi 21 Knowledge Representation: Logic 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) 22 11
12 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 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) 8 hadir(andi,kalkulus) sulit(kalkulus) 8 4 hadir(andi,kalkulus) sulit(kalkulus) mahasiswa(andi) hadir(andi,kalkulus) sulit(kalkulus) mahasiswa(andi) suka (Andi, Kalkulus)
13 Knowledge Representation: Semantic Network 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 25 Knowledge Representation: Semantic Network 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 26 13
14 Knowledge Representation: Scripts 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 27 Knowledge Representation: Tables 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 bujur bujur bujur bujur Buah apa yang bentuknya bulat, baunya asam, warnanya oranye, Rasannya manis dan kulitnya kasar? jeruk 28 14
15 Knowledge Representation: Tree Decision Tree (Pohon Keputusan) - pengetahuan direpresentasikan dalam bentuk pohon Oranye? Jeruk Bau? masam Buahnya masam Tidak masam Buahnya Tidak masam Bentuk? Warna? Bulat? Oval? Hijau? Merah? Anggur Hijau Anggur Mungkin limau, jeruk limun dll Diperlukan informasi lain Jika baunya masam, bentuknya bulat, Warnanya oranye maka buah tsb JERUK 29 Knowledge Representation: Production Rules 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> 30 15
16 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) 31 Knowledge Representation: (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 : automobil Automobile Class of : Transportation Name of manufacturer : Audi Origin of manufacturer : Germany Model : 5000 Turbo Type of car : Sedan Weight : 3300 lb Wheelbase : inches Number of doors : 4 Transmission : 3-speed automatic Number of wheels : 4 Engine : - Type : In-line, overhead cam - Number of cylinders : 5 Acceleration : : 10.4 seconds - Quarter mile : 17.1 seconds, 85 mph Gas mileage : 22 mpg average Engine 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 32 16
17 Knowledge Representation: Hirarki suatu obyek (parent frame) dapat terdiri beberapa kumpulan frame (child frame), dan dinyatakan secara hirarki. Vehicle Train Boat Car Airplane Submarine Passenger Car Truck Bus Compact Car Midsize Car Bob s Car Jan s Car 33 Knowledge Representation: Vehicle Train Boat Car Airplane Submarine Compact Car Passenger Car Midsize Car Truck Name : Compact Car Slots Bus Facets Parent frame Bob s Car Jan s Car 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 If needed Ask owner 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 Child frame 34 17
18 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 Categories of Reasoning 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)
19 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. 37 Methods of Reasoning: with Logic 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 38 19
20 Methods of Reasoning: with Rules Backward Chaining 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 C = Pendidikan Sarjana E = Investasi di sekuritas 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) 39 Methods of Reasoning: with Rules Backward Chaining 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 40 20
21 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 41 Methods of Reasoning: with Rules Backward Chaining True Step 5 R1 : IF A And C THEN E R2 : IF D And C THEN True R3 : IF B And E THEN F bactracking G Step 3 Step 6 Step 4 R4 : IF B THEN C True (akibat) R5 : IF F THEN G Start (Step 1) Step
22 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? beli obligasi harga obligasi turun suku bunga naik dolar turun R6 R2 R5 Karena sesuai dengan fakta, maka keputusannya adalah membeli obligasi. 43 Methods of Reasoning: with Rules Forward Chaining - 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 44 22
23 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 2 : R4 : IF B THEN C Karena B True (fakta) maka C bernilai 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 5 : R5 : IF F THEN G Karena F True maka G True. Sistem AI merekomendasikan orang tersebut untuk menginvestasikan modalnya di saham IBM 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? dolar turun suku bunga naik harga obligasi turun beli obligasi R5 R2 R6 Karena fakta yang ada membawa ke tercapainya tujuan, maka keputusannya adalah membeli obligasi
24 Methods of Reasoning: with Rules Forward Chaining 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. 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
25 Referensi Aris Marjuni, Materi Ajar: Artificial Intelligence,
Lopxmfehf!Fohjoffsjoh!
Lopxmfehf!Fohjoffsjoh! 1 Pengetahuan (Knowledge) Kunci utama dari Expert System (sistem pakar) Analogi Algoritma + Struktur Data = Program Pengetahuan + Inferensi = Sistem Pakar 2 1 Knowledge-Based Agents
Lebih terperinciRepresentasi Pengetahuan
Representasi Pengetahuan Representasi masalah state space Pengetahuan dan kemampuan melakukan penalaran merupakan bagian terpenting dari sistem yang menggunakan AI. Cara representasi pengetahuan: Logika
Lebih terperinciREPRESENTASI PENGETAHUAN
REPRESENTASI PENGETAHUAN Basis Pengetahuan Langkah pertama dalam membuat sistem kecerdasan buatan adalah membangun basis pengetahuan Digunakan oleh motor inferensi dalam menalar dan mengambil kesimpulan
Lebih terperinciDua bagian dasar sistem kecerdasan buatan (menurut Turban) : dalam domain yang dipilih dan hubungan diantara domain-domain tersebut
REPRESENTASI PENGETAHUAN (MINGGU 3) Pendahuluan Dua bagian dasar sistem kecerdasan buatan (menurut Turban) : - Basis pengetahuan : Berisi fakta tentang objek-objek dalam domain yang dipilih dan hubungan
Lebih terperinciKECERDASAN BUATAN REPRESENTASI PENGETAHUAN (PART - I) ERWIEN TJIPTA WIJAYA, ST., M.KOM
KECERDASAN BUATAN REPRESENTASI PENGETAHUAN (PART - I) ERWIEN TJIPTA WIJAYA, ST., M.KOM KERANGKA MASALAH Logika Logika Predikat Pengukuran Kuantitas PENGETAHUAN Diklasifikasikan menjadi 3 : 1. Procedural
Lebih terperinciBAB III REPRESENTASI PENGETAHUAN
BAB III REPRESENTASI PENGETAHUAN Basis pengetahuan dan kemampuan untuk melakukan penalaran merupakan bagian terpenting dari sistem yang menggunakan kecerdasan buatan. Meskipun suatu sistem memiliki banyak
Lebih terperinciBAB IV REPRESENTASI PENGETAHUAN
BAB IV REPRESENTASI PENGETAHUAN Dua bagian dasar sistem kecerdasan buatan (menurut Turban) - Basis pengetahuan : Berisi fakta tentang objek-objek dalam domain yang dipilih dan hubungan diantara domain-domain
Lebih terperinciKECERDASAN BUATAN REPRESENTASI PENGETAHUAN (PART - II) ERWIEN TJIPTA WIJAYA, ST., M.KOM
KECERDASAN BUATAN REPRESENTASI PENGETAHUAN (PART - II) ERWIEN TJIPTA WIJAYA, ST., M.KOM KERANGKA MASALAH List Tree / Pohon Jaringan Semantik Frame Tabel Keputusan Pohon Keputusan Naskah (Script) Sistem
Lebih terperinciINFERENCE & EXPLANATION TEKNIK PENARIKAN KESIMPULAN & MEMBERI PENJELASAN
INFERENCE & EXPLANATION TEKNIK PENARIKAN KESIMPULAN & MEMBERI PENJELASAN Pendahuluan Inferensi adalah suatu program komputer yang merupakan suatu algoritma yang mengontrol beberapa proses penalaran dan
Lebih terperinciRESOLUTIONS - INTRODUCTION Lecture 11-13
RESOLUTIONS - INTRODUCTION Lecture 11-13 DR. Herlina Jayadianti., ST., MT QUIZ Setiap mahasiswa yang kuliah di Informatika ia akan menyukai pemrograman atau berpikir bahwa lebih baik pindah Jurusan Review
Lebih terperinciREPRESENTASI PENGETAHUAN UTHIE
REPRESENTASI PENGETAHUAN PENDAHULUAN Basis pengetahuan dan kemampuan untuk melakukan penalaran merupakan bagian terpenting dari sistem yang menggunakan kecerdasan buatan. Meskipun suatu sistem memiliki
Lebih terperinciREPRESENTASI PENGETAHUAN. Pertemuan 6 Diema Hernyka Satyareni, M. Kom
REPRESENTASI PENGETAHUAN Pertemuan 6 Diema Hernyka Satyareni, M. Kom KOMPETENSI DASAR Mahasiswa dapat merepresentasi pengetahuan dalam Sistem Intelegensia MATERI BAHASAN Logika Jaringan Semantik Frame
Lebih terperinciArtificial Intelegence EKA YUNIAR
Artificial Intelegence EKA YUNIAR Pokok Bahasan Representasi Pengetahuan Jaringan Semantik Knowledge Base The first step in constructing an AI program is to build a knowledge base Will be used by the inference
Lebih terperinciFORWARD & BACKWARD CHAINING SISTEM PAKAR
FORWARD & BACKWARD CHAINING SISTEM PAKAR Inferensi Inferensi adalah konklusi logis (logical conclusion) atau implikasi berdasarkan informasi yang tersedia Merupakan proses untuk menghasilkan informasi
Lebih terperinciAND AND AND THEN AND AND
Kedelapan pernyataan dapat dibawa ke bentuk logika predikat, dengan menggunakan operator-perator: (implikasi), (not), (dan), (atau), (untuk setiap), (terdapat), sebagai berikut: 1. mahasiswa(andi). 2.
Lebih terperinciDian Wirdasari, S.Si.,M.Kom
IntelijensiBuatan Dian Wirdasari, S.Si.,M.Kom IntelijensiBuatan Materi-4 Representasi Pengetahuan-1 Dian Wirdasari, S.Si.,M.Kom Definisi: fakta atau kondisi sesuatu atau keadaan yg timbul karena suatu
Lebih terperinciDefinisi Sistem Pakar
Artificial Intelligence 1 Pendahuluan Definisi Sistem Pakar Sistem Pakar merupakan aplikasi dari Artificial Intelligence pada satu bidang tertentu. (Giarrataro, 1994). Turban (1992), E.T. Keravnov.L. J,
Lebih terperinciBAB V REPRESENTASI PENGETAHUAN
BAB V REPRESENTASI PENGETAHUAN A. Pengenalan Representasi Pengetahuan Dalam menyelesaian masalah tentu membutuhkan pengetahuan pengetahuan yang cukup. Selain itu sistem harus bissa untuk menalar. Representasi
Lebih terperinci---Sistem Pakar--- By Anjik Sukmaaji
Sistem Berbasis Aturan ---Sistem Pakar--- By Anjik Sukmaaji Objectives Review Pertemuan-1 Rules Based Sistem Inferensi Forward Chaining Studi Kasus I : Identifikasi Binatang Inferensi Backward Chaining
Lebih terperinciExpert System. Siapakah pakar/ahli. Pakar VS Sistem Pakar. Definisi
Siapakah pakar/ahli Expert System Seorang pakar atau ahli adalah: seorang individu yang memiliki kemampuan pemahaman superior dari suatu masalah By: Uro Abdulrohim, S.Kom, MT Definisi Program komputer
Lebih terperinciREPRESENTASI PENGETAHUAN
REPRESENTASI PENGETAHUAN Representasi Pengetahuan (Knowledge Representation) dimaksudkan untuk menangkap sifatsifat penting masalah dan membuat infomasi dapat diakses oleh prosedur pemecahan masalah. Bahasa
Lebih terperinciARTIFICIAL INTELLIGENCE
ARTIFICIAL INTELLIGENCE Team teaching: Sri Winiarti, Andri Pranolo, dan Anna Hendri SJ Andri Pranolo W : apranolo.tif.uad.ac.id M : 081392554050 E : andri.pranolo@tif.uad.ac.id Informatics Engineering,
Lebih terperinciBAB I PENDAHULUAN. Perkembangan komputer sekarang ini sangat pesat dan salah. satu pemanfaatan komputer adalah dalam bidang kecerdasan buatan.
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan komputer sekarang ini sangat pesat dan salah satu pemanfaatan komputer adalah dalam bidang kecerdasan buatan. Di dalam bidang kecerdasan buatan, termasuk
Lebih terperinciBAB 2 TINJAUAN TEORI. Artificial Intelligence. Jika diartikan Artificial memiliki makna buatan,
BAB 2 TINJAUAN TEORI 2.1 Kecerdasan Buatan Kecerdasan buatan adalah sebuah istilah yang berasal dari bahasa Inggris yaitu Artificial Intelligence. Jika diartikan Artificial memiliki makna buatan, sedangkan
Lebih terperinci2/22/2017 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
Lebih terperinciRepresentasi Pengetahuan dan Penalaran
Representasi Pengetahuan dan Penalaran PENGETAHUAN Pengetahuan (knowledge) adalah pemahaman secara praktis maupun teoritis terhadap suatu obyek atau domain tertentu. Pengetahuan merupakan hal yang penting
Lebih terperinciBAB III TEORI DASAR SISTEM PAKAR DAN SISTEM KONTROL BERBASIS SISTEM PAKAR 20 BAB III TEORI DASAR SISTEM PAKAR DAN SISTEM KONTROL BERBASIS SISTEM PAKAR
SISTEM PAKAR 20 BAB III TEORI DASAR SISTEM PAKAR DAN SISTEM KONTROL BERBASIS SISTEM PAKAR 3.1 Sistem Pakar Sistem pakar adalah suatu program komputer cerdas yang menggunakan knowledge (pengetahuan) dan
Lebih terperinciPengetahuan 2.Basis data 3.Mesin Inferensi 4.Antarmuka pemakai (user. (code base skill implemetation), menggunakan teknik-teknik tertentu dengan
Bab II TINJAUAN PUSTAKA 2.1 Pengertian Sistem Pakar Sistem pakar (expert system) adalah sistem yang berusaha mengapdosi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti
Lebih terperinciPertemuan 4 LINGKUP DECISION SUPPORT SYSTEM (DSS) DAN EXPERT SYSTEM (ES)
Pertemuan 4 LINGKUP DECISION SUPPORT SYSTEM (DSS) DAN EXPERT SYSTEM (ES) Pengembangan Pendekatan SPK Pengembangan Pendekatan SPK Siklus Hidup Pengembangan Sistem (System Development Life Cycle/SDLC), mrpkn
Lebih terperinciProposition 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
Lebih terperinciMATEMATIKA DISKRIT LOGIKA
MATEMATIKA DISKRIT LOGIKA Logika Perhatikan argumen di bawah ini: Jika anda mahasiswa Informatika maka anda tidak sulit belajar Bahasa Java. Jika anda tidak suka begadang maka anda bukan mahasiswa Informatika.
Lebih terperinciMETODE INFERENSI. Level 2. Level 3. Level 4
METODE INFERENSI Tree (Pohon) dan Graph - Tree (pohon) adalah suatu hierarki struktur yang terdiri dari Node (simpul/veteks) yang menyimpan informasi atau pengetahuan dan cabang (link/edge) yang menghubungkan
Lebih terperinciRepresentasi Kalimat Logika ke dalam Matriks Trivia
Representasi Kalimat Logika ke dalam Matriks Trivia Rio Chandra Rajagukguk 13514082 Program Studi Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jl. Ganesha 10 Bandung 40132,
Lebih terperinciREPRESENTASI PENGETAHUAN
REPRESENTASI PENGETAHUAN Representasi pengetahuan adalah cara untuk menyajikan pengetahuan yang diperoleh ke dalam suatu skema/diagram tertentu sehingga dapat diketahui relasi antara suatu pengetahuan
Lebih terperinciMatematika Industri I
LOGIKA MATEMATIKA TIP FTP - UB Pokok Bahasan Proposisi dan negasinya Nilai kebenaran dari proposisi Tautologi Ekuivalen Kontradiksi Kuantor Validitas pembuktian Pokok Bahasan Proposisi dan negasinya Nilai
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Kecerdasan Buatan Artificial Intelligence atau kecerdasan buatan merupakan salah satu bagian ilmu komputer yang membuat agar mesin (komputer) dapat melakukan pekerjaan seperti
Lebih terperinciREPRESENTASI PROSEDURAL
REPRESENTASI PROSEDURAL Representasi prosedural merupakan penggambaran pengetahuan sebagai sekumpulan instruksi untuk memecahkan suatu masalah, contohnya adalah Production Rules atau Rules Based. Production
Lebih terperinciMODEL HEURISTIK. Capaian Pembelajaran. N. Tri Suswanto Saptadi
1 MODEL HEURISTIK N. Tri Suswanto Saptadi 2 Capaian Pembelajaran Mahasiswa dapat memahami dan mampu mengaplikasikan model Heuristik untuk menyelesaikan masalah dengan pencarian solusi terbaik. 1 3 Model
Lebih terperinciq = Socrates is a man r = Socrates is mortal Bila dibuat tabel kebenaran, hasilnya invalid.
METODE INFERENSI (2) KETERBATASAN LOGIKA PROPOSISI - Perhatikan contoh berikut : All men are mortal Socrates is a man Therefore, Socrates is mortal Misal : p = All men are mortal q = Socrates is a man
Lebih terperinciPusat Pengembangan Pendidikan Universitas Gadjah Mada 1
2. ALJABAR LOGIKA 2.1 Pernyataan / Proposisi Pernyataan adalah suatu kalimat yang mempunyai nilai kebenaran (benar atau salah), tetapi tidak keduanya. Contoh 1 : P = Tadi malam BBM mulai naik (memiliki
Lebih terperinciDasar-dasar Logika. (Review)
Dasar-dasar Logika (Review) Intro Logika berhubungan dengan kalimat-kalimat dan hubungan antar kalimat. Tujuan: menentukan apakah suatu kalimat / masalah bernilai benar (TRUE) atau salah (FALSE) Kalimat
Lebih terperinciREKAYASA PENGETAHUAN AKUISISI PENGETAHUAN. Adam Hendra Brata
REKAYASA PENGETAHUAN AKUISISI PENGETAHUAN Adam Hendra Brata Pokok Bahasan Rekayasa Sistem Berbasis Pengetahuan Akusisi Pengetahuan REKAYASA SISTEM BERBASIS PENGETAHUAN Sistem Berbasis Pengetahuan Knowledge-based
Lebih terperinciDASAR-DASAR LOGIKA. Pertemuan 2 Matematika Diskrit
DASAR-DASAR LOGIKA Pertemuan 2 Matematika Diskrit 25-2-2013 Materi Pembelajaran 1. Kalimat Deklaratif 2. Penghubung kalimat 3. Tautologi dan Kontradiksi 4. Konvers, Invers, dan Kontraposisi 5. Inferensi
Lebih terperinciLogika Proposisi. Pertemuan 2 (Chapter 10 Schaum, Set Theory) (Chapter 3/4 Schaum, Theory Logic)
Logika Proposisi Pertemuan 2 (Chapter 10 Schaum, Set Theory) (Chapter 3/4 Schaum, Theory Logic) Logika Proposisional Tujuan pembicaraan kali ini adalah untuk menampilkan suatu bahasa daripada kalimat abstrak
Lebih terperinciMODUL PERKULIAHAN EDISI 1 MATEMATIKA DISKRIT
MODUL PERKULIAHAN EDISI 1 MATEMATIKA DISKRIT Penulis : Nelly Indriani Widiastuti S.Si., M.T. JURUSAN TEKNIK INFORMATIKA UNIVERSITAS KOMPUTER INDONESIA BANDUNG 2011 DAFTAR ISI Daftar Isi. 2 Bab 1 LOGIKA
Lebih terperinciREPRESENTASI PENGETAHUAN
REPRESENTASI PENGETAHUAN Pengetahuan adalah fakta yang timbul karena keadaan (Sutojo, 2011) Contoh : Pengetahuan tentang penyakit, gejala-gejala dan pengobatannya. Pengetahuan tentang tanaman, jenis-jenis
Lebih terperinciTEKNIK INFERENSI. Sistem Informasi
TEKNIK INFERENSI Sistem Informasi Definisi Inferensi Inferensi adalah : Proses yang digunakan dalam Sistem Pakar untuk menghasilkan informasi baru dari informasi yang telah diketahui Dalam sistem pakar
Lebih terperinciSilogisme Hipotesis Ekspresi Jika A maka B. Jika B maka C. Diperoleh, jika A maka C
MSH1B3 Logika Matematika Dosen: Aniq A Rohmawati, M.Si Kalkulus Proposisi [Definisi] Metode yang digunakan untuk meninjau nilai kebenaran suatu proposisi atau kalimat Jika Anda belajar di Tel-U maka Anda
Lebih terperinciREPRESENTASI PENGETAHUAN (KNOWLEDGE REPRESENTATION)
REPRESENTASI PENGETAHUAN (KNOWLEDGE REPRESENTATION) KNOWLEDGE IS POWER! Pengetahuan adalah kekuatan! Representasi Pengetahuan : Definisi dlm ES: Metode yang digunakan untuk mengkodekan pengetahuan dalam
Lebih terperinciRepresentasi Pengetahuan : Logika Predikat
Representasi Pengetahuan : Logika Predikat Pertemuan 8 Wahyu Supriyatin Logika Predikat Logika predikat digunakan untuk merepresentasikan hal-hal yang tidak dapat direpresentasikan dengan menggunakan logika
Lebih terperinciLEMBAR TUGAS MAHASISWA ( LTM )
LEMBAR TUGAS MAHASISWA ( LTM ) SISTEM PAKAR Program Studi Teknik Informatika Program Strata Satu (S1) Tahun 2015 NIM NAMA KELAS :. :.. :. SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER NUSAMANDIRI Jakarta
Lebih terperinciPertemuan 10. Introduction to Logic Propositional Logic
Pertemuan 10 Introduction to Logic Propositional Logic Logical Intelligent Agent Problem solving agent hanya bisa menyelesaikan masalah yang lingkungannya accessible Kita membutuhkan agen yang dapat menambah
Lebih terperinciMETODE INFERENSI (1)
METODE INFERENSI (1) Tree (Pohon) dan Graph - Tree (pohon) adalah suatu hierarki struktur yang terdiri dari Node (simpul/veteks) yang menyimpan informasi atau pengetahuan dan cabang (link/edge) yang menghubungkan
Lebih terperinciAkuisisi Pengetahuan (Knowledge Acquisition)
Akuisisi Pengetahuan (Knowledge Acquisition) Definisi Akuisisi Pengetahuan adalah proses ekstraksi, strukturisasi, dan mengorganisasikan pengetahuan dari satu sumber atau lebih. Proses ini merupakan suatu
Lebih terperinciLOGIKA. /Nurain Suryadinata, M.Pd
Nama Mata Kuliah Kode Mata Kuliah/SKS Program Studi Semester Dosen Pengampu : Matematika Diskrit : MAT-3615/ 3 sks : Pendidikan Matematika : VI (Enam) : Nego Linuhung, M.Pd /Nurain Suryadinata, M.Pd Referensi
Lebih terperinciExpert System. MATA KULIAH : Model & Simulasi Ekosistem Pesisir & Laut. Syawaludin A. Harahap 1
MATA KULIAH : Model & Simulasi Ekosistem Pesisir & Laut KODE MK : M10B.116 SKS : 3 (2-1) DOSEN : Syawaludin Alisyahbana Harahap EXPERT SYSTEM (SISTEM PAKAR/AHLI) UNIVERSITAS PADJADJARAN FAKULTAS PERIKANAN
Lebih terperinciBAB I PENDAHULUAN. a. Apa sajakah hukum-hukum logika dalam matematika? b. Apa itu preposisi bersyarat?
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Secara etimologi, istilah Logika berasal dari bahasa Yunani, yaitu logos yang berarti kata, ucapan, pikiran secara utuh, atau bisa juga ilmu pengetahuan. Dalam arti
Lebih terperinciRefresentasi Pengetahuan 1
ب س م ا ه لل الر ح ن الر ح ي السالم عليكم ورحمة هللا وبركاته PERTEMUAN 08 PENGETAHUAN = data/fakta + mekanisme penalaran Fakta, ide, teori, hubungannya dalam domain tertentu Mekanisme Penalaran KNOWLEDGE
Lebih terperinciREKAYASA SISTEM PENUNJANG MANAJEMEN PRODUKSI BERSIH AGROINDUSTRI KARET REMAH. Konfigurasi Model
97 REKAYASA SISTEM PENUNJANG MANAJEMEN PRODUKSI BERSIH AGROINDUSTRI KARET REMAH Konfigurasi Model Model untuk sistem penunjang manajemen produksi bersih agroindustri karet remah dirancang dalam satu paket
Lebih terperinciSeminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004
Seminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004 Visualisasi Sistem Pakar Dalam Menganalisis Tes Kepribadian Manusia (Empat Aspek Tes Kepribadian Peter Lauster) Sri Winiarti
Lebih terperinciBAB 2 LANDASAN TEORI. berkonsultasi dengan seorang pakar atau ahli. Seorang pakar adalah seseorang yang
BAB 2 LANDASAN TEORI 2.1 Sistem Pakar Ketika dihadapkan pada sebuah kasus dan diharuskan membuat suatu keputusan yang komplek untuk memecahkan suatu masalah, tidak jarang kita meminta nasehat atau berkonsultasi
Lebih terperinciLINGKUP DECISION SUPPORT SYSTEM (DSS) DAN EXPERT SYSTEM (ES)
LINGKUP DECISION SUPPORT SYSTEM (DSS) DAN EXPERT SYSTEM (ES) Pengembangan Pendekatan SPK Siklus Hidup Pengembangan Sistem (System Development Life Cycle/SDLC), mrpkn metodologi yg masih banyak digunakan
Lebih terperinciMATERI 5. Representasi Pengetahuan
MATERI 5 Representasi Pengetahuan FAKTA DAN RELASI Prolog terdiri dari kumpulan data-data objek yang merupakan suatu fakta. Fakta menunjukkan suatu keadaan atau situasi nyata maka fakta selalu benar. Contoh
Lebih terperinciL ctur er: M. Mift Mi ak ft ul Am A i m n i,,s. Kom om,. M. M. ng.
POLITEKNIK NEGERI SRIWIJAYA Jurusan Teknik Komputer Program Studi D3 Teknik Komputer Lecturer: M. Miftakul Amin, S. Kom., M. Eng. Intelegensi Buatan Sesi 1 Pengantar Intelegensi Buatan 2015 Intelegensi
Lebih terperinciLogika. Arum Handini Primandari, M.Sc. Ayundyah Kesumawati, M.Si.
Logika Arum Handini Primandari, M.Sc. Ayundyah Kesumawati, M.Si. Logika Matematika Kalimat Terbuka dan Tertutup Kalimat terbuka adalah kalimat yang tidak mengandung nilai kebenaran Contoh: Semoga kamu
Lebih terperinciRANCANG BANGUN PERANGKAT LUNAK PENGEMBANG SISTEM PAKAR BERBASIS ATURAN DENGAN METODE FORWARD CHAINING
RANCANG BANGUN PERANGKAT LUNAK PENGEMBANG SISTEM PAKAR BERBASIS ATURAN DENGAN METODE FORWARD CHAINING Merwin dan Maria Irmina P. Universitas Multimedia Nusantara,Tangerang merwin.law@gmail.com dan maria@unimedia.ac.id
Lebih terperinciBAB II LANDASAN TEORI. tubuh. Bagi tubuh, kulit mempunyai fungsi yang sangat penting dan fungsi ini
BAB II LANDASAN EORI 2.1. Penyakit Kulit Kulit merupakan salah satu panca indera manusia yang terletak di permukaan tubuh. Bagi tubuh, kulit mempunyai fungsi yang sangat penting dan fungsi ini sepertinya
Lebih terperinciBackward Chaining & Forward Chaining UTHIE
Backward Chaining & Forward Chaining UTHIE Inferensi merupakan proses untuk menghasilkan informasi dari fakta yang diketahui atau diasumsikan. Inferensi adalah konklusi logis (logical conclusion) atau
Lebih terperinciSISTEM PAKAR MENGGUNAKAN MESIN INFERENSI FUZZY. Wilis Kaswidjanti. Abstrak
Jurnal Teknik Elektro Vol. No. Juli - Desember 0 9 SISTEM PAKAR MENGGUNAKAN MESIN INFERENSI FUZZY Wilis Kaswidjanti Abstrak Salah satu cara untuk menangani ketidakpastian pada bidang sistem pakar dapat
Lebih terperinciEXPERT SYSTEM DENGAN BEBERAPA KNOWLEDGE UNTUK DIAGNOSA DINI PENYAKIT-PENYAKIT HEWAN TERNAK DAN UNGGAS
EXPERT SYSTEM DENGAN BEBERAPA KNOWLEDGE UNTUK DIAGNOSA DINI PENYAKIT-PENYAKIT HEWAN TERNAK DAN UNGGAS Agus Sasmito Aribowo Teknik Informatika. UPN Veteran Yogyakarta Jl. Babarsari no 2 Tambakbayan 55281
Lebih terperinciUntung Subagyo, S.Kom
Untung Subagyo, S.Kom Keahlian ahli/pakar pengalihan keahlian Mengambil keputusan Aturan kemampuan menjelaskan Keahlian bersifat luas dan merupakan penguasaan pengetahuan dalam bidang khusus yang diperoleh
Lebih terperinciSISTEM PAKAR DENGAN BEBERAPA KNOWLEDGE BASE MENGGUNAKAN PROBABILITAS BAYES DAN MESIN INFERENSI FORWARD CHAINING
SISTEM PAKAR DENGAN BEBERAPA KNOWLEDGE BASE MENGGUNAKAN PROBABILITAS BAYES DAN MESIN INFERENSI FORWARD CHAINING Agus Sasmito Aribowo 1), Siti Khomsah 2) 1) Teknik Informatika. UPN Veteran Yogyakarta Jl.
Lebih terperinciPEMANFAATAN TEKNOLOGI KNOWLEDGE-BASED EXPERT SYSTEM UNTUK MENGIDENTIFIKASI JENIS ANGGREK DENGAN MENGGUNAKAN BAHASA PEMROGRAMAN JAVA
Yogyakarta, 22 Juli 2009 PEMANFAATAN TEKNOLOGI KNOWLEDGE-BASED EXPERT SYSTEM UNTUK MENGIDENTIFIKASI JENIS ANGGREK DENGAN MENGGUNAKAN BAHASA PEMROGRAMAN JAVA Ana Kurniawati, Marliza Ganefi, dan Dyah Cita
Lebih terperinciLOGIKA PROPOSISI. Bagian Keempat : Logika Proposisi
LOGIKA PROPOSISI Bagian Keempat : Logika Proposisi ARI FADLI, S.T. Logika Proposisi Tujuan : Mahasiswa dapat menyebutkan tentang logika proposisi, operator dan sifat proposisi Proposisi Definisi : Setiap
Lebih terperinciKecerdasan Buatan. Representasi Pengetahuan & Penalaran... Pertemuan 05. Husni
Kecerdasan Buatan Pertemuan 05 Representasi Pengetahuan & Penalaran... Husni Lunix96@gmail.com http://komputasi.wordpress.com S1 Teknik Informatika, STMIK AMIKOM, 2013 Outline Pendahuluan Logika Proposisi
Lebih terperinciLOGIKA (LOGIC) Logika merupakan dasar dari semua penalaran (reasoning). Penalaran didasarkan pada hubungan antara pernyataanpernyataan
LOGIKA (LOGIC) Logika merupakan dasar dari semua penalaran (reasoning). Penalaran didasarkan pada hubungan antara pernyataanpernyataan (statements). Proposisi kalimat deklaratif yang bernilai benar (true)
Lebih terperinciPENGERTIAN. Proposisi Kalimat deklaratif yang bernilai benar (true) atau salah (false), tetapi tidak keduanya. Nama lain proposisi: kalimat terbuka.
BAB 2 LOGIKA PENGERTIAN Logika Logika merupakan dasar dari semua penalaran (reasoning). Penalaran didasarkan pada hubungan antara proposisi atau pernyataan (statements). Proposisi Kalimat deklaratif yang
Lebih terperinciSistem Pakar untuk Mendiagnosa Penyakit Kucing Menggunakan Metode Backward Chaining
Sistem Pakar untuk Mendiagnosa Penyakit Kucing Menggunakan Metode Backward Chaining Mardiah Fadhli Politeknik Caltex Riau Jl. Umbansari No.1, telp/fax: 0761 53939/0761 554224 e-mail: rika@pcr.ac.id Abstrak
Lebih terperinciJurnal Komputasi. Vol. 1, No. 1, April Pendahuluan. Hal 1 dari 90
Pengembangan Sistem Pakar Berbasis Web Mobile untuk Mengidentifikasi Penyebab Kerusakan Telepon Seluler dengan Menggunakan Metode Forward dan Backward Chaining 1 Wamiliana 2 Aristoteles 3 Depriyanto 1
Lebih terperinciBab 1 PENDAHULUAN UKDW
Bab 1 PENDAHULUAN 1.1 Latar Belakang Penyakit merupakan masalah yang sangat penting bagi manusia yang harus diselesaikan dengan baik dan benar. Dalam hal ini adalah masalah penyakit pada ikan khususnya
Lebih terperinciArtificial Intelligence. uthie 1
Artificial Intelligence uthie 1 Cabang-cabang AI 1. Logical AI Logika (matematis) yang merepresentasikan sekumpulan fakta dan tujuan ---> RUANG KEADAAN: Graph Tree uthie 2 Cabang-cabang AI 2. Search Pencarian
Lebih terperinciAPLIKASI SHELL SISTEM PAKAR
APLIKASI SHELL SISTEM PAKAR Yeni Agus Nurhuda 1, Sri Hartati 2 Program Studi Teknik Informatika, Sekolah Tinggi Manajemen Informatika dan Komputer Teknokrat Lampung Jl. Z.A. Pagar Alam 9-11 Labuhan Ratu,
Lebih terperinciLOGIKA. Arum Handini Primandari
LOGIKA Arum Handini Primandari LOGIKA MATEMATIKA KALIMAT TERBUKA DAN TERTUTUP Kalimat terbuka adalah kalimat yang tidak mengandung nilai kebenaran Contoh: Apakah kamu tahu pencipta lagu PPAP? Semoga ujian
Lebih terperinciBerdasarkan tabel 1 diperoleh bahwa p q = q p.
PEMAHAAN 1. Pengertian Kata LOGIKA mengacu pada suatu metode atau cara yang sistematis dalam berpikir (reasoning), dan terdapat dua sistem khusus yaitu : suatu metode dasar yang disebut dengan Kalkulus
Lebih terperinciMENGENAL SISTEM PAKAR
MENGENAL SISTEM PAKAR Bidang teknik kecerdasan buatan yang paling popular saat ini adalah system pakar. Ini disebabkan penerapannya diberbagai bidang, baik dalam pengembangan ilmu pengetahuan dan terutama
Lebih terperinciPengantar Teknologi Informasi
Pengantar Teknologi Informasi Kecerdasan Buatan (Artificial Intelligence) Defri Kurniawan, M.Kom Fasilkom 1/7/2016 What s Artificial Intelligence What is Artificial Intelligence (AI) Cabang Science yang
Lebih terperinciKOMPARASI PENGGUNAAN METODE TRUTH TABLE DAN PROOF BY FALSIFICATION DALAM PENENTUAN VALIDITAS ARGUMEN. Abstrak
Komparasi Penggunaan Metode Truth Table Dan Proof By Falsification Untuk Penentuan Validitas Argumen (Yani Prihati) KOMPARASI PENGGUNAAN METODE TRUTH TABLE DAN PROOF BY FALSIFICATION DALAM PENENTUAN VALIDITAS
Lebih terperinciPETA PERKULIAHAN MATA KULIAH : LOGIKA MATEMATIKA KODE MATA KULIAH : GD 321. SEMESTER : GANJIL (5) DOSEN : MAULANA, S.Pd., M.Pd.
Doc Logika Matematika PGSD Maulana 1 PETA PERKULIAHAN MATA KULIAH : LOGIKA MATEMATIKA KODE MATA KULIAH : GD 321 BOBOT SKS : 2 (DUA) TAHUN AKADEMIK : 2007/2008 PROGRAM : PGSD S-1 KELAS SEMESTER : GANJIL
Lebih terperinciPengenalan 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
Lebih terperinciSistem Berbasis Pengetahuan. Program Studi Sistem Komputer Fakultas Ilmu Komputer Universitas Putra Indonesia YPTK Padang
Sistem Berbasis Pengetahuan Program Studi Sistem Komputer Fakultas Ilmu Komputer Universitas Putra Indonesia YPTK Padang Rule sebagai Teknik Representasi Pengetahuan Syntax Rule : IF E THEN H E : Evidence
Lebih terperinciPendahuluan. Bab I Logika Manusia
Bab I Pendahuluan 1.1. Logika Manusia Manusia, diantara makhluk yang lain, merupakan pengolah informasi. Kita membutuhkan informasi mengenai dunia dan menggunakan informasi ini untuk kepentingan yang lebih
Lebih terperinciLogika Logika merupakan dasar dari semua penalaran (reasoning). Penalaran didasarkan pada hubungan antara proposisi atau pernyataan (statements).
Logika (logic) 1 Logika Logika merupakan dasar dari semua penalaran (reasoning). Penalaran didasarkan pada hubungan antara proposisi atau pernyataan (statements). Proposisi Kalimat deklaratif yang bernilai
Lebih terperinciPERANCANGAN SYSTEM PAKAR GENERIC MENGGUNAKAN BINARY TREE
PERANCANGAN SYSTEM PAKAR GENERIC MENGGUNAKAN BINARY TREE Luky Agus Hermanto, ST., MT. Jurusan Teknik Informatika Fakultas Teknologi Informasi Institut Teknologi Adhi Tama Surabaya Jl. Arif Rahman Hakim
Lebih terperinciLATIHAN SOAL SISTEM BERBASIS PENGETAHUAN
LATIHAN SOAL SISTEM BERBASIS PENGETAHUAN 1. Yang tidak termasuk keuntungan dari Sistem Pakar adalah: A. Increased realibility B. Fast Response C. Permanence D. Flexibility 2. Di bawah ini adalah karakteristik
Lebih terperinciKnowledge Representation
Entiti Representasi Pengetahuan Knowledge Representation By: Uro Abdulrohim, S.Kom, MT Fakta Adalah kejadian sebenarnya, fakta ini yang akan kita representasikan Representasi dari fakta Bagaimana cara
Lebih terperinciBAB 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
Lebih terperinciRefreshing Materi Kuliah Semester Pendek 2010/2011. Logika dan Algoritma. Heri Sismoro, M.Kom.
Refreshing Materi Kuliah Semester Pendek 2010/2011 Logika dan Algoritma Heri Sismoro, M.Kom. STMIK AMIKOM YOGYAKARTA 2011 Materi 1. Logika Informatika Adalah logika dasar dalam pembuatan algoritma pada
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Pakar Definisi Pakar (Human Expert) adalah seseorang yang telah mempelajari fakta- fakta, buku teks, dan pengetahuan bidangnya, serta mengembangkan pengetahuan yang telah terdokumentasi
Lebih terperinciLogika Logika merupakan dasar dari semua penalaran (reasoning). Penalaran didasarkan pada hubungan antara proposisi atau pernyataan (statements).
Logika (logic) 1 Logika Logika merupakan dasar dari semua penalaran (reasoning). Penalaran didasarkan pada hubungan antara proposisi atau pernyataan (statements). Proposisi Kalimat deklaratif yang bernilai
Lebih terperinciTEKNIK INFORMATIKA FAKULTAS TEKNIK UNIVERSITAS NUSANTARA PGRI KEDIRI
RANCANG BANGUN SISTEM ALAT BANTU AJAR PENERAPAN METODE (FORWARD CHAINING DAN BACKWARD CHAINING) PADA SISTEM PAKAR SKRIPSI Diajukan Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana (S.Kom) Pada
Lebih terperinci