PROGRAM STUDI TEKNIK INFORMATIKA STMIK PELITA NUSANTARA MEDAN (2015)

Transkripsi

1 Bab1 Pengenalan Kecerdasan Buatan POKOK BAHASAN: Definisi Kecerdasan Buatan Sejarah Kecerdasan Buatan Sub Disiplin Ilmu dalam Kecerdasan Buatan Lingkup Kecerdasan Buatan pada Aplikasi Komersial Kecerdasan Buatan dan Kecerdasan Alami TUJUAN BELAJAR: Setelah mempelajari bab ini, mahasiswa diharapkan mampu: Memahami definisi dari Kecerdasan Buatan. Memahami mengapa Kecerdasan Buatan penting, sebagai cabang dari Teknologi Informasi dan sumbangannya dalam perkembangan ilmu pengetahuan. Mengetahui aplikasi-aplikasi yang berkembang dalam kerangka Kecerdasan Buatan. Memahami perbedaan Kecerdasan Alami dan Kecerdasan Buatan. 1.1 DEFINISI KECERDASAN BUATAN Banyak cara untuk mendefinisikan Kecerdasan Buatan, diantaranya adalah : Suatu studi yang mengupayakan bagaimana agar komputer berlaku cerdas Studi yang membuat komputer dapat menyelesaikan persoalan yang sulit Teknologi yang mensimulasikan kecerdasan manusia, yaitu bagaimana mendefinisikan dan mencoba menyelesaikan persoalan menggunakan komputer dengan meniru bagaimana manusia menyelesaikan dengan cepat. Kecerdasan didefinisikan oleh John McCarthy, Stanford sebagai kemampuan untuk mencapai sukses dalam menyelesaikan suatu permasalahan. 1

2 BAB 1 PENGENALAN KECERDASAN BUATAN 2 Dengan definisi ini, Kecerdasan Buatan menawarkan baik media maupun uji teori kecerdasan. Teori-teori ini dapat dinyatakan dalam bahasa program komputer dan dibuktikan eksekusinya pada komputer nyata. Program komputer standar hanya dapat menyelesaikan persoalan yang diprogram secara spesifik. Jika sebuah program standar perlu dirubah untuk menyesuaikan diri dengan suatu informasi baru, seluruh program harus dilihat satu persatu sampai kita dapatkan ruang optimal untuk menyisipkan perubahan atau modifikasi tersebut. Cara seperti ini tidak hanya memboroskan waktu, namun juga dapat mempengaruhi bagian tertentu dari program itu sehingga menyebabkan terjadinya error. Sebaliknya, Kecerdasan Buatan dapat memungkinkan komputer untuk berpikir. Dengan cara menyederhanakan program, Kecerdasan Buatan dapat menirukan proses belajar manusia sehingga informasi baru dapat diserap dan digunakan sebagai acuan di masa-masa yang akan datang. Manusia dapat menyerap informasi baru tanpa perlu mengubah atau mempengaruhi informasi lain yang telah tersimpan. Menggunakan program Kecerdasan Buatan membutuhkan cara yang jauh lebih sederhana dibandingkan dengan memakai program standar tanpa Kecerdasan Buatan di dalamnya. Teknik yang digunakan dalam Kecerdasan Buatan memungkinkan dibuatnya sebuah program yang setiap bagiannya mengandung langkah-langkah independen dan dapat diidentifikasi dengan baik untuk dapat memecahkan sebuah atau sejumlah persoalan. Setiap potong bagian program adalah seperti sepotong informasi dalam pikiran manusia. Jika informasi tadi diabaikan, pikiran kita secara otomatis dapat mengatur cara kerjanya untuk menyesuaikan diri dengan fakta atau informasi yang baru tersebut. Kita tidak perlu selalu mengingat setiap potong informasi yang telah kita pelajari. Hanya yang relevan dengan persoalan yang kita hadapi yang kita gunakan. Demikian pula dalam Kecerdasan Buatan, setiap potong bagian program Kecerdasan Buatan dapat dimodifikasi tanpa mempengaruhi struktur seluruh programnya. Keluwesan ini dapat menghasilkan program yang semakin efisien dan mudah dipahami. 1.2 SEJARAH KECERDASAN BUATAN Kecerdasan Buatan termasuk bidang ilmu yang relatif muda. Pada tahun 1950-an para ilmuwan dan peneliti mulai memikirkan bagaimana caranya agar mesin dapat melakukan pekerjaannya seperti yang bisa dikerjakan oleh manusia. Alan Turing, seorang matematikawan Inggris pertama kali mengusulkan adanya tes untuk melihat bisa tidaknya sebuah mesi dikatakan cerdas. Hasil tes tersebut kemudian dikenal dengan

3 BAB 1 PENGENALAN KECERDASAN BUATAN 3 Turing Test, dimana si mesin tersebut menyamar seolah-olah sebagai seseorang di dalan suatu permainan yang mampu memberikan respon terhadap serangkaian pertanyaan yang diajukan. Turing beranggapan bahwa, jika mesin dapat membuat seseorang percaya bahwa dirinya mampu berkomunikasi dengan orang lain, maka dapat dikatakan bahwa mesin tersebut cerdas (seperti layaknya manusia). Kecerdasan Buatan sendiri dimunculkan oleh seorang profesor dari Massachusetts Institute of Technology yang bernama John McCarthy pada tahun 1956 pada Dartmouth Conference yang dihadiri oleh para peneliti AI. Pada konferensi tersebut juga didefinisikan tujuan utama dari Kecerdasan Buatan, yaitu: mengetahui dan memodelkan proses-proses berfikir manusia dan mendesain mesin agar rapat menirukan kelakuan manusia tersebut. Beberapa program AI yang mulai dibuat pada tahun , antara lain: 1. Logic Theorist, diperkenalkan pada Dartmouth Conference, program ini dapat membuktikan teorema-teorema matematika. 2. Sad Sam, diprogram oleh Robert K. Lindsay (1960). Program ini dapat mengetahui kalimat-kalimat sederhana yang ditulis dalam bahasa Inggris dan mampu memberikan jawaban dari fakta-fakta yang didengar dalam sebuah percakapan. 3. ELIZA, diprogram oleh Joseph Weinzenbaum (1967). Program ini mampu melakukan terapi terhadap pasien dengan memberikan beberapa pertanyaan. 1.3 SUB DISIPLIN ILMU DALAM KECERDASAN BUATAN Persoalan-persoalan yang mula-mula ditangani oleh Kecerdasan Buatan adalah pembuktian teorema dan permainan (game). Seorang periset Kecerdasan Buatan yang bernama Samuel menuliskan program permainan catur yang tidak hanya sekedar bermain catur, namun program tersebut juga dibuat agar dapat menggunakan pengalamannya untuk meningkatkan kemampuannya. Sementara itu, Newell, seorang ahli teori logika berusaha membuktikan teorema-teorema matematika. Makin pesatnya perkembangan teknologi menyebabkan adanya perkembangan dan perluasan lingkup yang membutuhkan kehadiran Kecerdasan Buatan. Karakteristik cerdas sudah mulai dibutuhkan di berbagai disiplin ilmu dan teknologi. Kecerdasan Buatan tidak hanya merambah di berbagai disiplin ilmu yang lain. Irisan antara psikologi dan kecerdasan buatan melahirkan sebuah area yang dikenal dengan nama

4 BAB 1 PENGENALAN KECERDASAN BUATAN 4 cognition & psycolinguistics. Irisan antara teknik elektro dengan kecerdasan buatan melahirkan berbagai ilmu seperti: pengolahan citra, teori kendali, pengenalan pola dan robotika. Dewasa ini, Kecerdasan Buatan juga memberikan kontribusi yang cukup besar di bidang manajemen. Adanya sistem pendukung keputusan, dan Sistem Informasi Manajemen juga tidak lepas dari andil Kecerdasan Buatan. Adanya irisan penggunaan Kecerdasan Buatan di berbagai disiplin ilmu tersebut menyebabkan cukup rumitnya untuk mengklasifikasikan Kecerdasan Buatan menurut disiplin ilmu yang menggunakannya. Untuk memudahkan hal tersebut, maka pengklasifikasian lingkup Kecerdasan Buatan didasarkan pada output yang diberikan yaitu pada aplikasi komersial (meskipun sebenarnya Kecerdasan Buatan itu sendiri bukan merupakan medan komersial). Lingkup utama dalam Kecerdasan Buatan adalah: 1. Sistem Pakar (Expert System). Disini komputer digunakan sebagai sarana untuk menyimpan pengetahuan para pakar. Dengan demikian komputer akan memiliki keahlian untuk menyelesaikan permasalahan dengan meniru keahlian yang dimiliki oleh pakar. 2. Pengolahan Bahasa Alami (Natural Language Processing). Dengan pengolahan bahasa alami ini diharapkan user dapat berkomunikasi dengan komputer dengan menggunakan bahasa sehari-hari. 3. Pengenalan Ucapan (Speech Recognition). Melalui pengenalan ucapan diharapkan manusia dapat berkomunikasi dengan komputer menggunakan suara. 4. Robotika & Sistem Sensor (Robotics & Sensory Systems). 5. Computer Vision, mencoba untuk dapat menginterpretasikan gambar atau obyekobyek tampak melalui komputer. 6. Intelligent Computer-aided Instruction. Komputer dapat digunakan sebagai tutor yang dapat melatih dan mengajar. 7. Game playing. Seiring dengan perkembangan teknologi, muncul beberapa teknologi yang juga bertujuan untuk membuat agar komputer menjadi cerdas sehingga dapat menirukan kerja manusia sehari-hari.

5 BAB 1 PENGENALAN KECERDASAN BUATAN 5 Teknologi ini juga mampu mengakomodasi adanya ketidakpastian dan ketidaktepatan data input. Dengan didasari pada teori himpunan, maka pada tahun 1965 muncul Logika Fuzzy. Kemudian pada tahun1975 John Holland mengatakan bahwa setiap problem berbentuk adaptasi (alami maupu buatan) secara umum dapat diformulasikan dalam terminologi genetika. Algoritma Genetika ini merupakan simulasi proses evolusi Darwin dan operasi genetika atas kromosom. 1.4 LINGKUP KECERDASAN BUATAN PADA APLIKASI KOMERSIAL Sejalan dengan berkembangnya permasalahan manusia, maka manusia harus menggunakan sumber daya secara eficien. Untuk melakukan hal tersebut, maka kita membutuhkan bantuan dengan kualitas yang tinggi dari komputer. Dalam kehidupan manusia, komputer dapat membantu dalam bidang: Pertanian, komputer dapat mengkontrol robot yang melakukan kontrol terhadap hama, pemangkasan pohon, pemilihan hasil panen. Pabrik, komputer dapat menkontrol robot yang harus mengerjakan pekerjaan berbahaya dan membosankan, inspeksi dan melakukan maintenance pekerjaan. Kesehatan, komputer dapat membantu untuk mendiagnosis penyakit, melakukan monitoring kondisi pasien, memberikan treatment yang cocok. Pekerjaan Rumah Tangga, komputer dapat memberikan nasihat dalam memasak dan berbelanja, membantu membersihkan lantai, memotong rumput, mencuci pakaian, dan melakukan maintenance terhadap pekerjaan. 1.5 KECERDASAN BUATAN DAN KECERDASAN ALAMI Jika dibanding kecerdasan alami, kecerdasan buatan memiliki keuntungan komersial, antara lain: 1. Kecerdasan buatan lebih bersifat permanen. Kecerdasan alami akan cepat mengalami perubahan. 2. Kecerdasan buatan lebih mudah diduplikasi dan disebarkan. 3. Kecerdasan buatan bersifat konsisten. 4. Kecerdasan buatan dapat didokumentasi. 5. Kecerdasan buatan dapat mengerjakan pekerjaan lebih cepat dibanding dengan kecerdasan alami.

6 BAB 1 PENGENALAN KECERDASAN BUATAN 6 6. Kecerdasan buatan dapat mengerjakan pekerjaan lebih baik dibanding dengan kecerdasan alami. Keuntungan Kecerdasan alami: 1. Kreatif. 2. Kecerdasan alami memungkinkan orang untuk menggunakan pengalaman secara langsung. Sedang pada kecerdasan buatan harus bekerja dengan input-input simbolik. 3. Pemikiran manusia dapat digunakan secara luas, sedangkan kecerdasan buatan sangat terbatas. 1.6 RINGKASAN o Kecerdasan Buatan adalah studi yang berusaha membuat komputer menjadi cerdas. o Tujuan dari sisi teknologi dari Kecerdasan Buatan adalah untuk menyelesaikan permasalahan nyata. Dari sisi ilmiah tujuan Kecerdasan Buatan adalah untuk menjelaskan variasi kecerdasan. o Kecerdasan Buatan dapat membantu kita untuk menyelesaikan kesulitan, permasalahan nyata, menciptakan kesempatan baru dalam bisnis, teknologi dan area aplikasi yang lain. o Kecerdasan Buatan merupakan gudang untuk menjawab pertanyaan tradisional yang biasa ditanyakan pada ahli bahasa, philosophi, dokter dsb. Sehingga dengan demikian dapat membantu kita untuk menjadi semakin pintar. 1.7 LATIHAN 1. Apakah definisi dari Kecerdasan Buatan? Sub disiplin ilmu apa yang berkembang dari Kecerdasan Buatan? 2. Sebutkan lingkup utama dalam Kecerdasan Buatan! 3. Sebutkan dan jelaskan sebuah aplikasi Kecerdasan Buatan!

7 Bab2 Representasi Pengetahuan POKOK BAHASAN: Definisi Representasi Pengetahuan Representasi Pengetahuan secara Logik Programmable Logic (Prolog) Contoh Representasi Pengetahuan dengan Prolog TUJUAN BELAJAR: Setelah mempelajari bab ini, mahasiswa diharapkan mampu: Memahami mengapa Representasi Pengetahuan diperlukan dalam sistem Kecerdasan Buatan Memahami cara Representasi Pengetahuan yang baik. Memahami bahwa dengan Representasi Pengetahuan yang tepat, sebuah permasalahan akan dapat diselesaikan. 2.1 DEFINISI REPRESENTASI PENGETAHUAN Dalam bab ini, kita akan belajar aturan dalam merepresentasikan pengetahuan dalam Kecerdasan Buatan. Representasi dimaksudkan untuk menangkap sifat-sifat penting problema & membuat informasi tsb. dapat diakses oleh prosedur pemecahan permasalahan.bahasa representasi harus dapat membuat seorang pemrogram mampu mengekspresikan pengetahuan yang diperlukan untuk mendapatkan solusi permasalahan. Banyak cara untuk merepresentasikan pengetahuan (fakta) dalam program AI. Ada dua entiti yang perlu diperhatikan: Fakta: kejadian sebenarnya. Fakta inilah yang akan kita representasikan. Representasi dari fakta. Dari representasi ini, kita akan dapat memanipulasinya. 7

8 BAB 2 REPRESENTASI PENGETAHUAN 8 Dalam representasi sebuah fakta yang kita gunakan dalam sebuah program, kita juga harus konsisten dengan representasi yang menggunakan bahasa natural (bahasa Inggris). Representasi yang baik, harus: Mengemukakan hal secara eksplisit Membuat masalah menjadi transparan Komplit dan efisien Menampilkan batasan-batasan alami yang ada Menekan/menghilangkan detil-detil yang diperlukan Dapat dilakukan komputasi (ada batasan/konstraint) Secara singkat, representasi pengetahuan diklasifikasikan menjadi 4 kategori: Representasi logika: Representasi jenis ini menggunakan ekspresi-ekspresi dalam logika formal untuk merepresentasikan basis pengetahuan Representasi prosedural: Representasi menggambarkan pengetahuan sebagai kumpulan instruksi untuk memecahkan suatu problema. Representasi network: Representasi ini menangkap pengetahuan sebagai sebuah graf dimana simpul-simpulnya menggambarkan obyek atau konsep dari problema yang dihadapi, sedangkan edgenya menggambarkan hubungan atau asosiasi antar mereka (dibahas di bab 3). Representasi terstruktur: Representasi terstruktur memperluas network dengan cara membuat setiap simpulnya menjadi sebuah struktur data kompleks (dibahas di bab 3). Dengan representasi, banyak hal yang akan kita dapatkan dalam kita menyelesaikan suatu permasalahan. Di bawah ini adalah beberapa keuntungan yang akan kita dapatkan ketika kita membuat representasi pengetahuan, yaitu: Dengan representasi yang baik, membuat objek dan relasi yang penting menjadi jelas. Representasi menyingkap constraint(batasan) dalam suatu permasalahan. Kita dapat mengungkapkan pengaruh sebuah objek atau relasi terhadap objek atau relasi yang lain. Dengan representasi kita akan dapatkan objek dan relasi secara bersama-sama. Kita akan dapat melihat semua yang kita inginkan dalam satu waktu.

9 BAB 2 REPRESENTASI PENGETAHUAN 9 Kita dapat menghilangkan semua komponen yang tidak berhubungan dengan permasalahan yang sedang kita selesaikan. Atau kita dapat menyembunyikan beberapa informasi yang tidak kita butuhkan untuk sementara, dan pada saat kita membutuhkannya kita dapat menampilkan kembali. Dengan representasi akan membuat permasalahan yang sedang kita selesaikan menjadi transparan. Kita akan memahami permasalahan yang kita selesaikan. Dengan representasi kita akan dapat menyingkap suatu permasalahan secara lengkap, sehingga permasalahan dapat diselesaikan. Dengan representasi akan membuat permasalahan menjadi ringkas. Kita akan berpikir ringkas (merepresentasikan apa yang ingin kita representasikan secara efficient). Dengan representasi, maka akan menjadikan pekerjaan kita menjadi cepat. Dan yang penting Dengan representasi, menjadikan permasalahan yang kita selesaikan dapat terkomputerisasi. Dengan representasi ini kita akan dapat melakukan prosedurprosedur dalam menyelesaikan suatu permasalahan. Disamping keuntungan-keuntungan diatas satu hal yang menjadi prinsip dalam representasi pengetahuan adalah Jika suatu permasalahan dideskripsikan dengan menggunakan representasi yang tepat, maka dapat dipastikan bahwa permasalahan tersebut dapat diselesaikan. 2.2 REPRESENTASI PENGETAHUAN LOGIKA Logika adalah bentuk representasi pengetahuan yang paling tua. Representasi jenis ini menggunakan ekspresi-ekspresi dalam logika formal untuk merepresentasikan basis pengetahuan. Pada dasarnya proses logika adalah proses membentuk kesimpulan dan menarik suatu inferensi berdasarkan fakta yang telah ada. Input dari proses logika berupa premis atau fakta-fakta yang diakui kebenarannya sehingga dengan melakukan penalaran pada proses logika dapat dibentuk suatu inferensi atau kesimpulan yang benar pula. Contoh fakta sederhana yang akan kita representasikan secara logika adalah sbb:

10 BAB 2 REPRESENTASI PENGETAHUAN 10 Helder adalah anjing Fakta dalam bahasa Inggris tsb dapat direpresentasikan secara logika, yaitu: anjing(helder) Kita juga dapat merepresentasikan secara logik fakta lain, yaitu bahwa semua anjing mempunyai ekor x : anjing(x) berekor(x) Kemudian secara deduktif (penalaran dimulai dari prinsip umum untuk mendapatkan konklusi yang lebih khusus) dari mekanisme logik ini kita bisa mendapatkan representasi baru: berekor(anjing) Dengan menggunakan fungsi mapping secara backward, kita dapat mengenerate kalimat dalam bahasa Inggris Helder berekor 2.3 CONTOH REPRESENTASI PENGETAHUAN DALAM PROLOG Representasi Pengetahuan secara logika untuk tree di bawah ini adalah sebagai berikut labiba raihan afif farah farhan arfan naura Gambar 2.1 Tree Sebuah Silsilah Keluarga Dari tree di atas kita dapat membuat representasinya secara logika sbb: putra(labiba, raihan). putra(raihan, afif). putra(afif, farhan). putra(afif, arfan). putri(raihan, farah). putri(farah, naura).

11 BAB 2 REPRESENTASI PENGETAHUAN PERTANYAAN SEDERHANA PADA BASIS DATA PENGETAHUAN Seperti diungkapkan di atas, dengan representasi secara logika kita dapat memberikan pertanyaan dari fakta-fakta yang sudah direpresentasikan. Bentuk pertanyaan Siapa putri dari farah?, maka untuk representasi secara logikanya kita dapat dinyatakan sbb: putri(farah, D). D = naura D adalah sebuah variabel yang kita gunakan untuk menampung jawaban dari pertanyaan siapa putri dari farah. Dari pertanyaan yang direpresentasikan secara logika putri(farah, D) kita dapatkan jawabannya adalah D = naura. Bentuk pertanyaan lain yang dapat direpresentasikan secara logika adalah seperti di bawah ini. Bentuk pertanyaannya adalah siapa saja dari struktur keluarga di atas yang mempunyai putri dan siapa nama putrinya. P merupakan variabel yang menampung pertanyaan siapa yang mempunyai putri, sementara D merupakan variabel yang menampung nama putrinya. putri(p, D). P = raihan D = farah P = farah D = naura KOMBINASI PERTANYAAN PADA BASIS DATA PENGETAHUAN Jika kita menanyakan apakah afif mempunyai saudara perempuan atau tidak? dan jika mempunyai, siapa namanya?" maka Query dengan representasi logika adalah sbb: putra(p,afif),putri(p,d). P = raihan D = farah P adalah variabel yang menampung nama orang tua dari afif, sementara D adalah variabel yang menampung nama saudara perempuan afif. Sehingga didapatkan jawaban:

12 BAB 2 REPRESENTASI PENGETAHUAN 12 P = raihan D = farah DESKRIPSI RELASI DI ANTARA PENGETAHUAN Dari sebuah representasi secara logika, kita dapat menambahkan hubungan antara pengetahuan, misalnya antara orang tua (ortu) dengan putra atau putri sbb: ortu(c,p)=putra(p,c). ortu(c,p)=putri(p,c). Sehingga kita dapat memberikan pertanyaan sbb ortu(raihan,p) DESKRIPSI SECARA REKURSIF DARI RELASI Dari sebuah representasi secara logika, kita juga dapat menambahkan deskripsi hubungan secara rekursif dari sebuah fakta. Jika anda ingin mencari keturunan, maka kita dapat mengekspresikan: keturunan(org,desc)=ortu(desc, Org). /* orang tua */ keturunan(org,desc)=ortu(desc, P), ortu(p, Org). /* kakek/nenek */ keturunan(org,desc)= ortu(desc, P), ortu(p,gp),ortu(gp, Org). /* buyut */ Fakta di atas dapat diekspresikan dengan proses rekursif sbb: keturunan(org,desc) = ortu(desc,org). /* orang tua */ keturunan(org,desc) = ortu(desc,p),ortu(org,p). /* orang tua ke atas */ 2.4 RINGKASAN

13 BAB 2 REPRESENTASI PENGETAHUAN Jika suatu permasalahan dideskripsikan dengan menggunakan representasi yang tepat, maka dapat dipastikan bahwa permasalahan tersebut dapat diselesaikan. 2. Dengan representasi yang tepat akan didapatkan jawaban yang tepat pula terhadap suatu permasalahan. 3. Membangun sebuah sistem Kecerdasan Buatan membutuhkan beberapa pertanyaan mendasar tentang pengetahuan. Beberapa adalah : Pengetahuan apa yang terlibat di dalamnya, Bagaimana seharusnya pengetahuan direpresentasikan, Berapa pengetahuan yang dibutuhkan dan yang mana yang benar-benar dibutuhkan. 2.5 LATIHAN 1. Dengan mengacu pada bahasan 2.5.2, bagaimana kita bisa mendapatkan nama ayah dari ayahnya farhan? 2. Dengan mengacu pada bahasan 2.5.3, bagaimana anda mendefinisikan kakek dengan menggunakan ortu? 3. Bagaimana dengan definisi untuk cucu? 4. Dengan representasi secara logika di bawah ini jawablah pertanyaanpertanyaan di bawahnya besar(kuda). besar(sapi). besar(gajah). kecil(kelinci). kecil(tikus). coklat(kuda). putih(sapi). abuabu(gajah). abuabu(tikus). putih(kelinci). terang(x):-putih(x). terang(x):-abuabu(x). Jelaskan hasil dari query berikut ini? putih(y),besar(y). abuabu(y),kecil(y). 5. Dalam sebuah organisasi perusahaan terdapat tree sbb: adi

14 BAB 2 REPRESENTASI PENGETAHUAN 14 burhan bahrun bisrin fahri farah ferdi Dari tree tersebut kita dapat membaca bahwa Burhan adalah bawahan langsung dari Adi, sebaliknya Adi adalah atasan langsung dari Burhan. Fahri dan Farah adalah anak buah dari Bahrun, sementara Fahri, Farah, Bahrun, Ferdi, Bisrin secara keseluruhan adalah anak buah dari Burhan. a. Dengan menggunakan sintaks dalam bahasa Prolog, buatlah representasi pengetahuan dari fakta tersebut di atas. (Dari definisi bawahan langsung). b. Dengan menggunakan sintaks dari definisi bawahan langsung di atas, terjemahkan untuk atasan langsung. c. Bagaimana kita membuat pertanyaan siapa bawahan langsung dari Burhan d. Dengan menggunakan deskripsi secara rekursif buatlah sintak untuk merepresentasikan fakta anak buah. 6. Seorang raja X dengan silsilah keturunannya seperti di bawah ini sedang mencari siapa saja dari keturunannya yang bisa menggantikan dirinya untuk menjadi raja. Tentu saja ada syarat untuk menjadi calon raja, yaitu dia adalah keturunan laki-laki atau keturunan laki-laki dari keturunan lakilaki. Dengan menggunakan representasi logika dan deskripsi secara rekursif bantulah raja X untuk mencari siapa saja dari keturunannya yang memungkinkan untuk menggantikan dirinya. X bahrun farah fahri salma burhan ferdi salsa arfan farhan fariz syifa

15 BAB 2 REPRESENTASI PENGETAHUAN Dari pohon keluarga di bawah ini, representasi secara logika yang menyatakan predikat putra, putri, lelaki, wanita. Kemudian dari predikat ini buatlah relasi orang tua, saudara laki-laki, saudara perempuan, paman, bibi, kakek, nenek: anto wati deni ita budi ida rudi hadi dina andi rita 8. Dari tree famili di bawah ini, formulasikan dalam bahasa Prolog pertanyaan tentang: a. Siapa orang tua Basir. b. Siapa nenek Siti. c. Apakah Tuti mempunyai anak. rita husin abdul rudi tuti siti amir basir

16 Bab3 Reasoning, Semantic Network, Frame POKOK BAHASAN: Reasoning Semantic Network Frame TUJUAN BELAJAR: Setelah mempelajari bab ini, mahasiswa diharapkan mampu: Memahami Representasi Pengetahuan selain secara Logic Memahami Reasoning sebagai pemahaman dasar untuk Backward Chaining Memahami bahwa dengan Representasi Pengetahuan yang tepat, sebuah permasalahan akan dapat diselesaikan. 3.1 REASONING Reasoning adalah cara merepresentasikan setiap fakta dalam bahasa formal, seperti dalam logika predikatif. Sehingga pada saat diajukan pertanyaan yang berhubungan dengan alur fakta tersebut dan dengan menggunakan metode inferensi (sebab akibat), maka akan didapat jawaban dari pertanyaan tersebut. Perhatikanlah permasalahan untuk mendapatkan jawaban dari suatu pertanyaan yang didasarkan pada data mengenai fakta sederhana sebagai berikut: (1) Agus adalah seorang lelaki (2) Agus adalah seorang berkebangsaan x (3) Agus dilahirkan pada tahun

17 BAB 3 REASONING, SEMANTIC NETWORK, FRAME 18 (4) Semua manusia adalah fana (5) Semua orang berkebangsaan x meninggal karena adanya bencana banjir tahun 1995 (6) Tidak ada manusia yang dapat hidup lebih lama dari 80 tahun (7) Sekarang tahun 2006 Jika kita mengajukan pertanyaan "Apakah Agus masih hidup?". Dengan merepresentasikan setiap fakta dalam bahasa formal, seperti dalam representasi logika akan kita dapatkan representasi sebagai berikut: lelaki(agus). %(1) kebangsaanx(agus). %(2) lahir(agus,1908). %(3) fana(x):-lelaki(x). %(4) mati(x):-kebangsaanx(x), umur(x,umur), UMUR > 90. %(5) mati(x):-kebangsaanx(x), year(y), Y > %(6) tahun(2006). %(7). age(x,age):-lahir(x,birth), tahun(y), AGE is Y-UMUR. Dengan representasi di atas, kita akan mendapatkan jawaban atas pertanyaan "Apakah Agus sudah meninggal?", dengan mengetikkan pertanyaan:?- mati(agus). Jika jawaban yang kita dapatkan adalah "yes", maka telah kita dapatkan jawaban bahwa agus telah meninggal. Jika kita dapatkan jawaban "no", belum jelas apakah agus masih hidup atau sudah mati. Untuk mendapatkan jawaban atas pertanyaan di atas, ada dua kemungkinan yang menjadi alasan hingga didapatkan jawaban, yaitu: (A) (1) Agus adalah seorang lelaki (2) semua manusia adalah fana (4).

18 BAB 3 REASONING, SEMANTIC NETWORK, FRAME 19 (5) umurnya lebih dari 80. (7)+(3) maka dia sudah mati. (B) (2) agus adalah kebangsaan x (3) semua orang berkebangsaan x meninggal pada tahun 1995 (4) sekarang tahun 2006 sehingga dia sudah mati 3.2 SEMANTIC NETWORK Semantic Network adalah representasi yang mengekspresikan solusi permasalahan dengan menggunakan network (graph berarah). Di dalamnya digunakan node (simpul) untuk merepresentasikan suatu kondisi, dan arc (link) untuk merepresentasikan relasi antar simpul. Semantic Network ini adalah representasi yang bersifat: Lexically, di dalamnya terdapat node(simpul), link dan batasan-batasan khusus dari permasalahan. Structurally, masing-masing link akan terkoneksi dari simpul yang paling depan (head node) sampai simpul yang paling belakang (tail node). Semantically, semua simpul dan link merepresentasikan permasalahan tetap berada dalam batasannya. Sebagai contoh adalah permasalahan petani, serigala, angsa dan padi. Seorang petani ingin memindah dirinya sendiri, seekor serigala, seekor angsa gemuk, dan seikat padi yang berisi menyeberangi sungai. Sayangnya, perahunya sangat terbatas; dia hanya dapat membawa satu objek dalam satu penyeberangan. Dan lagi, dia tidak bisa meninggalkan serigala dan angsa dalam satu tempat, karena serigala akan memangsa angsa. Demikian pula dia tidak bisa meninggalkan angsa dengan padi dalam satu tempat. Mendeskripsikan permasalahan di atas dengan menggunakan bahasa natural bukanlah cara yang tepat. Dalam hal ini, kita dapat menggunakan Semantic Network untuk merepresentasikannya.

19 BAB 3 REASONING, SEMANTIC NETWORK, FRAME 20 Untuk membuat graph-nya, maka kita harus membangun node(simpul) untuk setiap kondisi yang memungkinkan bagi petani tersebut. Dengan memperhatikan petani dan tiga barangnya yang kemungkinan berada pada 2 seberang sungai, maka kita dapat menghitung jumlah simpul secara keseluruhan adalah = 16, dimana 10 simpul adalah kondisi yang aman (tidak ada satu barangpun yang termakan). Langkah kedua dan merupakan langkah terakhir adalah membentuk link dari masing-masing perjalanan perahu. Pasangan dari dua buah node(simpul) dapat dihubungkan dengan menggunakan link jika dan hanya jika bertemu pada 2 kondisi, yaitu: pertama, petani berubah tempat; kedua, salah satu dari barang petani berubah tempat. Karena terdapat 10 buah simpul yang masuk dalam batasan (aman), dimungkinkan adanya 10 x 9 = 90 pasangan, akan tetapi hanya 20 link yang dapat terbentuk karena batasan seperti yang disebut di atas. Padi Petani Angsa Padi Petani Serigala Angsa Serigala D E Petani Serigala Angsa Padi Serigala Padi Petani Serigala Padi Angsa Petani Angsa Petani Angsa A B C Angsa F Serigala Petani Angsa Padi G Petani Serigala Angsa Padi Petani Serigala Padi Serigala Padi Petani Serigala Angsa Padi H I J Gambar 4.1 Graph dari Permasalahan Petani dan Ketiga Barang Miliknya dalam Menyeberangi Sungai

20 BAB 3 REASONING, SEMANTIC NETWORK, FRAME 21 Dalam gambar 4.1 dapat kita lihat hasil node dan link dari graph yang dibentuk untuk permasalahan petani dan 3 barang miliknya. Dari gambar ini nampak pada saat awal (simpul A) petani dan barang bawaannya masih berada pada salah satu seberang (seberang I). Selanjutnya pada simpul B petani membawa angsa menuju seberang II. Selanjutnya pada simpul C petani kembali lagi ke seberang I. Dari simpul C petani dapat memilih apakah menuju simpul D yaitu membawa serigala ke seberang II atau simpul F yaitu membawa padi ke seberang II. Pada simpul E dan G petani membawa angsa ke seberang I. Dari kedua simpul ini menuju ke simpul H dimana petani membawa serigala ke seberang II. Pada simpul I petani kembali lagi ke seberang I. Simpul J petani membawa angsa ke seberang II. 3.3 BINGKAI (FRAME) Dengan menggunakan representasi network, kita melihat pengetahuan diatur menggunakan penghubung. Selain dengan network kita dapat mengatur pengetahuan ke dalam unit-unit yang lebih kompleks yang menggambarkan situasi atau obyek yang rumit dalam domain. Unit-unit ini disebut bingkai (frame). Frame ditemukan oleh Marvin Minsky pada tahun 1974 merupakan kumpulan pengetahuan tentang suatu obyek tertentu, peristiwa, lokasi, situasi dll. Frame memiliki slot yang menggambarkan rincian (atribut) dan karakteristik obyek. Frame biasanya digunakan untuk merepresentasikan pengetahuan yang didasarkan pada karakteristik yang sudah dikenal, yang merupakan pengalaman-pengalaman. Dengan menggunakan frame, sangat mudah membuat inferensi tentang obyek, peristiwa atau situasi baru, karena frame menyediakan basis pengetahuan yang ditarik dari pengalaman. Ide hirarki dari frame sama dengan ide hirarki class yang terdapat dalam pemrograman berorientasi obyek Bagaimana Mengorganisir sebuah Frame Sebuah sistem frame merupakan hirarki dari frame-frame yang lain. Masingmasing frame mempunyai: o sebuah nama.

21 BAB 3 REASONING, SEMANTIC NETWORK, FRAME 22 o slot (tempat): yaitu komponen dari entity yang mempunyai nama, dan mempunyai nilai. Nilai yang dimungkinkan adalah: 1. Identifikasi frame 2. relasi dengan frame lain (slotnya: isa, instance) 3. batasan nilai 4. nilai 5. default nilai (dapat diubah) 6. prosedur untuk mendapatkan nilai 7. prosedur yang dibangkitkan data (Data Driven): prosedur yang harus dilakukan jika 8. nilai diubah, misalnya: periksa konsistensi. 9. kosong: untuk ditelusuri pada subclass-nya Jenis Frame: Kelas dan Contoh (Instance) Atribut Kelas: 1. Atribut tentang kelas itu sendiri. 2. Atribut yang harus diturunkan pada setiap elemen dalam himpunan. Kelebihan dalam menggunakan frame sebagai Representasi Pengetahuan adalah sebagai berikut: Dapat memperjelas informasi tentang permasalahan yang asli, sebagai contoh mesin tanaman dan atribut-atributnya Mampu membatasi nilai-nilai yang dibutuhkan oleh sebuah atribut Informasi yang disampaikan bersifat modular, mudah untuk pengembangan dan perawatan sistem Lebih mudah dibaca dan sintak yang digunakan konsisten untuk merefer obyek asal dalam aturan Mendukung mekanisme inheritance (pewarisan) dalam informasi Seperti sistem yang berorientasi obyek, bingkai memungkinkan kita untuk merepresentasikan pengetahuan sebagai obyek-obyek terstruktur. Sebagian besar kejadian di dunia, mencakup perbuatan dan objek mempunyai kecenderungan untuk

22 BAB 3 REASONING, SEMANTIC NETWORK, FRAME 23 berubah. Dan merupakan suatu hal yang biasa bahwa beberapa kalimat dalam bahasa natural untuk mendeskripsikan kejadian/objek yang mengalami perubahan tsb. juga mengalami perubahan Contoh Sebuah Frame Dalam sub bab ini kita akan belajar mengenai salah satu representasi untuk pengetahuan semacam itu. Kita akan belajar untuk membangun deskripsi dengan menggunakan representasi tsb. dan kita akan belajar bagaimana menggunakan deskripsi ini untuk menjawab pertanyaan-pertanyaan.

23 BAB 3 REASONING, SEMANTIC NETWORK, FRAME RINGKASAN 1. Jika suatu permasalahan dideskripsikan dengan menggunakan representasi yang tepat, maka dapat dipastikan bahwa permasalahan tersebut dapat diselesaikan. 2. Dengan representasi yang tepat akan didapatkan jawaban yang tepat pula terhadap suatu permasalahan.

24 BAB 3 REASONING, SEMANTIC NETWORK, FRAME Membangun sebuah sistem Kecerdasan Buatan membutuhkan beberapa pertanyaan mendasar tentang pengetahuan. Beberapa adalah : Pengetahuan apa yang terlibat di dalamnya, Bagaimana seharusnya pengetahuan direpresentasikan, Berapa pengetahuan yang dibutuhkan dan yang mana yang benar-benar dibutuhkan. 3.5 LATIHAN 1. Berikut ini adalah fakta jenjang karir seorang Pegawai Negeri Sipil: 1. Anas adalah seorang lulusan SD 2. Anas adalah WNI 3. Anas dilahirkan pada tahun Semua orang WNI yang lulusan SD tidak dapat menjadi PNS lagi jika umurnya lebih dari 35 tahun 5. Anas mencoba daftar menjadi PNS pada tahun Semua PNS akan pensiun jika umurnya mencapai 60 tahun 7. Sekarang tahun 2005 a. Buatlah representasi pengetahuan dari fakta-fakta tersebut b. Dengan menggunakan jawaban poin a, buatlah sintaks untuk menanyakan apakah Anas sudah pensiun saat ini? Jawaban yang ada bisa anda duga berasal dari fakta(aksioma) ke berapa? 2. Representasikan pengetahuan di bawah ini dengan menggunakan frame john : isa a man > a man : isa animal : has the car -+ : has spinal cord +--> a car : owner john : color red : type RV : engine 2.0l DOHC : made_in Inodesia

25 Bab4 POKOK BAHASAN: Algoritma Pencarian (Searching Algorithm) Macam-macam Algoritma Pencarian Mendefinisikan Permasalahan sebagai Ruang Keadaan Pencarian Buta (Depth First, Breadth First, Hill Climbing, Beam, Best First) Pencarian Optimal (British Musium, Branch and Bound, Dynamic Programming, A*) Game 2 pemain (Minimax, Alpha Beta Prunning) TUJUAN BELAJAR: Setelah mempelajari bab ini, mahasiswa diharapkan mampu: Menjelaskan permasalahan kombinatorial, representasinya dan konsekuensinya. Memilih algoritma pencarian buta yang tepat untuk sebuah permasalahan, mengimplementasikan dan karakteristiknya pada kompleksitas waktu dan ruang. Memilih Algoritma Pencarian Heuristic yang tepat dan mengimplementasikan untuk sebuah permasalahan. Menjelaskan kondisi apa yang dijamin oleh sebuah algoritma heuristic sebagai solusi optimal. Mengimplementasikan pencarian minimax dan alpha-beta pruning untuk beberapa game 2 pemain. 23

26 BAB 4 ALGORITMA PENCARIAN (SEARCHING ALGORITHM) MACAM-MACAM ALGORITMA PENCARIAN Permasalahan pencarian adalah merupakan yang sering dijumpai oleh peneliti di bidang Kecerdasan Buatan. Permasalahan ini merupakan hal penting dalam menentukan keberhasilan system kecerdasan buatan. Dalam bab ini akan dipelajari 3 bagian dalam metode pencarian, yang pertama adalah metode yang sederhana yang hanya berusaha mencari kemungkinan penyelesaian. Metode yang termasuk pada bagian ini adalah dept-first search, hill climbing, breadth-first search, beam search dan best-first search. Yang kedua, kita akan mempelajari metode yang lebih kompleks yang akan mencari jarak terpendek. Metode ini adalah British Museum Procedure, Branch and Bound, Dynamic Programming dan A*. Metode-metode ini digunakan pada saat harga perjalanan untuk mencari kemungkinan menjadi perhitungan Yang ketiga, kita akan mempelajari beberapa prosedur/metode yang kita terapkan saat kita berhadapan dengan musuh. Prosedur ini adalah minimax search, alpha-beta prunning. Metode ini banyak digunakan pada program-program permainan seperti catur dsb. Dalam gambar 4.1 terdapat bagan untuk Metode Searching. Pencarian Buta Breadth-first Depth-first Hill Climbing Beam Best-first Metode Penelusuran Penyelesaian Optimal British Museum Branch and Bound Dynamic Programming A* Permainan Minimax Alpha-beta prunning Gambar 4.1 Bagan Metode Penulusuran (Searching)

27 BAB 4 ALGORITMA PENCARIAN (SEARCHING ALGORITHM) 25 Metode pencarian dikatakan penting untuk menyelesaikan permasalahan karena setiap state(keadaan) menggambarkan langkah-langkah untuk menyelesaikan permasalahan. Metode pencarian dikatakan penting untuk perencanaan karena dalam sebuah permainan akan menentukan apa yang harus dilakukan, dimana setiap state menggambarkan kemungkinan posisi pada suatu saat. Metode pencarian adalah bagian dari kesimpulan, dimana setiap state menggambarkan hipotesis dalam sebuah rangkaian deduktif. 4.2 MENDEFINISIKAN MASALAH SEBAGAI SUATU RUANG KEADAAN Secara umum, untuk mendeskripsikan suatu permasalahan dengan baik harus: 1 Mendefinisikan suatu ruang keadaan. 2 Menerapkan satu atau lebih keadaan awal. 3 Menetapkan satu atau lebih tujuan. 4 Menetapkan kumpulan aturan. Contoh : petani, serigala, angsa dan padi Contoh ini kita ambil dari bab 4. Permasalahan petani, serigala, angsa dan padi. Seorang petani ingin memindah dirinya sendiri, seekor serigala, seekor angsa gemuk, dan seikat padi yang berisi menyeberangi sungai. Sayangnya, perahunya sangat terbatas; dia hanya dapat membawa satu objek dalam satu penyeberangan. Dan lagi, dia tidak bisa meninggalkan serigala dan angsa dalam satu tempat, karena serigala akan memangsa angsa. Demikian pula dia tidak bisa meninggalkan angsa dengan padi dalam satu tempat. Dari permasalahan di atas untuk mendefinisikan masalah sebagai ruang keadaan kita tentukan langkah-langkah sebagai berikut: A. Identifikasi ruang keadaan. Permasalahan ini dapat dilambangkan dengan (JumlahSerigala, JumlahAngsa, JumlahPadi, JumlahPetani). Sebagai contoh Daerah asal (0,1,1,1) berarti pada daerah asal tidak ada serigala, ada angsa, ada padi dan ada petani tani.

28 BAB 4 ALGORITMA PENCARIAN (SEARCHING ALGORITHM) 26 B. Keadaan awal dan tujuan. Keadaan awal, pada kedua seberang sungai: o Daerah asal: (1,1,1,1) o Daerah seberang: (0,0,0,0) Tujuan, pada kedua seberang sungai: o Daerah asal: (0,0,0,0) o Daerah seberang: (1,1,1,1) C. Aturan-aturan Aturan-aturan dapat digambarkan seperti pada tabel 4.1. Tabel 4.1 Aturan-aturan masalah Petani dan Barang Bawaannya Aturan Ke- 1 Angsa menyeberang 2 Padi menyeberang 3 Serigala menyeberang 4 Angsa kembali 5 Padi kembali 6 Serigala kembali 7 Petani kembali Aturan Salah satu solusi yang bisa ditemukan dapat dilihat pada tabel 4.2. Tabel 4.2 Contoh Solusi Masalah Petani, Serigala, Angsa, dan Padi Daerah Asal Daerah Aturan yang Seberang dipakai (1,1,1,1) (0,0,0,0) 1 (1,0,1,0) (0,1,0,1) 7 (1,0,1,1) (0,1,0,0) 3 (0,0,1,0) (1,1,0,1) 4 (0,1,1,1) (1,0,0,0) 2 (0,1,0,0) (1,0,1,1) 7 (0,1,0,1) (1,0,1,0) 1 (0,0,0,0) (1,1,1,1) solusi

29 BAB 4 ALGORITMA PENCARIAN (SEARCHING ALGORITHM) 27 Contoh 4.2.2: Masalah teko air Ada 2 buah teko masing-masing berkapasitas 4 galon (teko A) dan 3 galon (teko B). Tidak ada tanda yang menunjukkan batas ukuran pada kedua teko tersebut. Permasalahannya : Bagaimanakah kita dapat mengisikan tepat 2 galon air ke dalam teko yang berkapasitas 4 galon? Dari permasalahan di atas untuk mendefinisikan masalah sebagai ruang keadaan kita tentukan langkah-langkah sebagai berikut: A. Identifikasi ruang keadaan. Permasalahan ini dapat dilambangkan dengan (x,y). Dimana: o x = air yang diisikan pada teko A o y = air yang diisikan pada teko B B. Keadaan awal dan tujuan. Keadaan awal, kedua teko dalam keadaan kosong: (0,0). Tujuan, keadaan dimana pada teko 4 galon berisi tepat 2 galon air: (2,n) untuk sembarang n. C. Aturan-aturan Aturan-aturan dapat digambarkan seperti pada tabel GRAPH KEADAAN Graph terdiri dari node-node yang menunjukkan keadaan, yaitu keadaan awal dan keadaan baru yang akan dicapai dengan menggunakan operator. Node-node dalam graph keadaan saling dihubungkan dengan menggunakan arc (busur) yang diberi panah untuk menunjukkan arah dari suatu keadaan ke keadaan berikutnya. Metode pencarian akan berusaha menemukan kombinasi dari item-item yang dimulai dari start menuju ke goal. Dalam gambar 4.2 dilukiskan mengenai graph yang menggambarkan sebuah ruang keadaan dalam Metode Pencarian

30 BAB 4 ALGORITMA PENCARIAN (SEARCHING ALGORITHM) 28 Tabel 4.3 Aturan-aturan Masalah Teko Air Aturan Kondisi Kondisi Ke- Awal Tujuan Aturan 1 (x,y) dng x < 4 (4,y) Isi teko A sampai penuh 2 (x,y) dng y < 3 (x,3) Isi teko B sampai penuh 3 (x,y) dng x > 0 (x-d,y) Tuangkan sebagian air keluar dari teko A 4 (x,y) dng y > 0 (x,y-d) Tuangkan sebagian air keluar dari teko B 5 (x,y) dng x > 0 (0,y) Kosongkan teko A dengan membuang airnya ke tanah 6 (x,y) dng y > 0 (x,0) Kosongkan teko B dengan membuang airnya ke tanah 7 (x,y) dimana Tuangkan air dari teko B ke teko (4,y-(4-x) x+y 4 dan y>0 A sampai teko A penuh 8 (x,y) dimana Tuangkan air dari teko A ke teko (x-(3-y),3) x+y 3 dan x>0 B sampai teko B penuh 9 (x,y) dimana Tuangkan seluruh air dari teko B (x+y,0) x+y 4 dan y>0 ke teko A 10 (x,y) dimana Tuangkan seluruh air dari teko A (0,x+y) x+y 3 dan x>0 ke teko B 11 (0,2) (2,0) Tuangkan 2 galon air dari teko B ke teko A 12 (2,y) (0,y) Kosongkan 2 galon air di teko A dengan membuang airnya ke tanah

31 BAB 4 ALGORITMA PENCARIAN (SEARCHING ALGORITHM) 29 Salah satu solusi yang bisa ditemukan dapat dilihat pada tabel 4.2. Tabel 4.4 Contoh Solusi Masalah Teko Air Kondisi Awal Kondisi Tujuan Aturan yang dipakai (0,0) (0,3) 2 (0,3) (3,0) 9 (3,0) (3,3) 2 (3,3) (4,2) 7 (4,2) (0,2) 5 (0,2) (2,0) 9 Transisi dari State atau Perpindahan START State-State dalam Pencarian atau Simpul dalam Graph atau Tree GOAL Gambar 4.2 Sebuah Keadaan dalam Metode Pencarian POHON PELACAKAN Untuk menghindari kemungkinan adanya proses pelacakan suatu node secara berulang, maka digunakan struktur pohon. Struktur pohon digunakan untuk menggambarkan keadaan secara hirarkis. Pohon juga terdiri dari beberapa node. Node yang terletak pada level-0 disebut juga akar. Node akar menunjukkan keadaan awal yang biasanya merupakan topik atau obyek. Node akar ini terletak pada level ke-0. Node akar mempunyai beberapa percabangan yang terdiri atas beberapa node successor yang sering disebut dengan nama anak dan merupakan node-node perantara. Namun jika dilakukan pencarian mundur, maka dapat dikatakan bahwa node tersebut memiliki predecessor. Node-node yang tidak

32 BAB 4 ALGORITMA PENCARIAN (SEARCHING ALGORITHM) 30 mempunyai anak sering disebut dengan nama node daun yang menunjukkan akhir dari suatu pencarian, dapat berupa tujuan yang diharapkan (goal) atau jalan buntu (dead end). Dalam gambar 4.3 ditampilkan sebuah contoh permasalahan mendasar untuk digunakan dalam penggunaan beberapa metode pencarian. Simpul S merupakan simpul awal dimulainya penelusuran, simpul Z adalah simpul yang akan menjadi tujuan. S 3 4 B C E A D F 2 Z Gambar 4.3 Contoh Graph yang Berisi Path Antar Kota Dari graph di atas, dibuat struktur tree-nya. Pada gambar 4.4 menggambarkan tree yang didapat dari Graph gambar 4.3. S A B B D A C C C F D E D E D B E C F Z A F Z F Z E Z Gambar 4.4 Struktur Tree dari Graph Gambar 4.3

33 BAB 4 ALGORITMA PENCARIAN (SEARCHING ALGORITHM) PENCARIAN BUTA (BREADTH FIRST, DEPTH FIRST, HILL CLIMBING, BEST FIRST) A. Pencarian Melebar Pertama (Breadth-First Search) Pada metode Breadth-First Search, semua node pada level n akan dikunjungi terlebih dahulu sebelum mengunjungi node-node pada level n+1. Pencarian dimulai dari node akar terus ke level ke-1 dari kiri ke kanan, kemudian berpindah ke level berikutnya demikian pula dari kiri ke kanan sampai ditemukannya solusi. S A B B D A C C C F D E D E D B E C F Z A F Z F Z E Z Gambar 4.5 Tree untuk Breadth First Search o Algoritma 1. Buat sebuah Antrian, inisialisasi node pertama dengan Root dari tree 2. Bila node pertama, jika GOAL, diganti dengan anak-anaknya dan diletakkan di belakang PER LEVEL 3. Bila node pertama = GOAL, selesai

34 BAB 4 ALGORITMA PENCARIAN (SEARCHING ALGORITHM) 32 S Z S A Z A B B Z B B D o o B Z B D A C dst Lintasan yang didapat : S B C E Z Keuntungan 1. Tidak akan menemui jalan buntu 2. Jika ada satu solusi, maka breadth first search akan menemukannya. Dan jika ada lebih dari satu solusi, maka solusi minimum akan ditemukan. Kelemahan 1. Membutuhkan memori yang cukup banyak, karena menyimpan semua node dalam satu pohon. 2. Kemungkinan ditemukan optimal lokal. B. Pencarian Mendalam Pertama (Depth-First Search) Pada Depth First Search, proses pencarian akan dilaksanakan pada semua anaknya sebelum dilakukan pencarian ke node-node yang selevel. Pencarian dimulai dari node akar ke level yang lebih tinggi. Proses ini diulangi terus hingga ditemukaannya solusi. o Algoritma 1. Buat sebuah Antrian, inisialisasi node pertama dengan Root dari tree 2. Bila node pertama, jika GOAL, node dihapus diganti dengan anak-anaknya dengan urutan LChild 3. Bila node pertama = GOAL, selesai

35 BAB 4 ALGORITMA PENCARIAN (SEARCHING ALGORITHM) 33 S A B B D A C C C F D E D E D B E C F Z A F Z F Z E Z Gambar 4.6 Tree untuk Depth First Search S Z S A Z A B B Z B D B C Z C D B E Z E D B Z=Z Z D B Lintasan yang didapat : S A B C E Z o Keuntungan 1. Membutuhkan memori yang relative kecil, karena hanya node-node pada lintasan yang aktif saja yang disimpan. 2. Menemukan solusi tanpa harus menguji lebih banyak lagi dalam ruang keadaan. o Kelemahan

36 BAB 4 ALGORITMA PENCARIAN (SEARCHING ALGORITHM) Kemungkinan terjebak pada optimal lokal. 2. Hanya akan mendapatkan 1 solusi pada setiap pencarian. C. Pencarian dengan Mendaki Bukit (Hill Climbing) B A S 4 3 D A B C 5 C C F D 2 E D E D B E C F Z A F Z F Z E Z Gambar 4.7 Tree untuk Hill Climbing o Algoritma 1. Buat sebuah Antrian, inisialisasi node pertama dengan Root dari tree 2. Bila node pertama, jika GOAL, node dihapus diganti dengan anak-anaknya dengan urutan yang paling kecil jaraknya 3. Bila node pertama = GOAL, selesai S Z S B Z B A C Z C A A

37 BAB 4 ALGORITMA PENCARIAN (SEARCHING ALGORITHM) 35 E Z E D A A Z=Z Z D A A Lintasan yang didapat : S A B C E Z o o Keuntungan 1. Membutuhkan memori yang relative kecil, karena hanya node-node pada lintasan yang aktif saja yang disimpan. 2. Metode hill climbing search akan menemukan solusi tanpa harus menguji lebih banyak lagi dalam ruang keadaan. Kelemahan 1. Algoritma akan berhenti kalau mencapai nilai optimum local. 2. Perlu menentukan aturan yang tepat D. Pencarian dengan Best First Search S A 0 B C B 4 C D F A D 8 E C 6 D 8 11 E D B E C F Z A F Z F Z E Z Gambar 4.8 Tree untuk Best First Search

38 BAB 4 ALGORITMA PENCARIAN (SEARCHING ALGORITHM) 36 o Algoritma 1. Buat sebuah Antrian, inisialisasi node pertama dengan Root dari tree 2. Bila node pertama, jika GOAL, node dihapus & diganti dengan anak-anaknya. Selanjutnya keseluruhan node yang ada di Queue di-sort Ascending. 3. Bila node pertama = GOAL, selesai S Z S B Z B A C Z C A A E Z E D A A Z=Z Z D A A Lintasan yang didapat : S A B C E Z o Keuntungan 1. Membutuhkan memori yang relative kecil, karena hanya node-node pada lintasan yang aktif saja yang disimpan. 2. Secara kebetulan, metode best first search akan menemukan solusi tanpa harus menguji lebih banyak lagi dalam ruang keadaan. o Kelemahan 1. Algoritma akan berhenti kalau mencapai nilai optimum local. 2. Tidak diijinkan untuk melihat satupun langkah sebelumnya. 4.4 PENCARIAN OPTIMAL Jika pada sub bab sebelumnya dipresentasikan metode non-optimal, maka pada sub bab ini dipresentasikan metode optimal. A. Branch and Bound

39 BAB 4 ALGORITMA PENCARIAN (SEARCHING ALGORITHM) 37 Pada metode ini kita tidak memerlukan estimasi jarak tiap node menuju GOAL. Selain itu elemen-elemen pada queue bukan tiap node, melainkan lintasan parsial yang sudah tercapai. o Algoritma 1. Buat sebuah Antrian, inisialisasi node pertama dengan Root dari tree 2. Bila lintasan parsial lintasan GOAL, maka lintasan parsial diganti dengan lintasan parsial + node child, semuanya diatur berdasarkan harga yang diurut secara ascending. 3. Bila node pertama = lintasan GOAL, selesai S Z S B Z S-B S-A A Z S-A S-B-C S-B-A C Z S-B-C S-B-A S-A-D A Z S-B-A S-B-C -E S-A-D E Z S-B-C -E S-A-D S-B-A-D D Z S-A-D S-B-C-E-Z S-B-A-D Z=Z S-B-C-E-Z S-A-D-F S-B-A-D S-A-D-C o o Keuntungan 1. Algoritma berhenti pada nilai optimum sebenarnya (menemukan optimum global). Kelemahan 1. Membutuhkan memori yang cukup banyak, karena bisa jadi menyimpan semua lintasan parsial yang memungkinkan

40 BAB 4 ALGORITMA PENCARIAN (SEARCHING ALGORITHM) 38 B. Branch and Bound dengan Dynamic Programming Metode ini sama dengan Branch and Bound, tetapi lebih efisien karena bisa mengurangi lebar / melakukan pemotongan terhadap lebar dari tree. Hal ini dilakukan dengan cara mereduksi lintasan parsial yang menuju ke suatu node yang sudah pernah dikunjungi sebelumnya o Algoritma 1. Buat sebuah Antrian, inisialisasi node pertama dengan Root dari tree 2. Bila lintasan parsial lintasan GOAL, jika ada lintasan parsial dengan node terakhir yang sama (dalam satu queue) maka diambil yang harganya paling minimal, sedangkan yang lebih mahal dihapus dari queue, sehinggan tree akan lebih kurus. 3. Bila node pertama = lintasan GOAL, selesai S Z S B Z S-B S-A A Z S-A S-B-C S-B-A C Z S-B-C S-A-D S-A-B E Z S-B-C -E S-A-D S-B-C-D D Z S-A-D S-B-C-E-Z Z Z S-B-C-E-Z S-A-D-F S-A-D-C o o Keuntungan 1. Algoritma berhenti pada nilai optimum sebenarnya. 2. Lebih efisien dari metode Branch & Bound dalam penggunaan memori dan waktu eksekusi karena ada pemotongan. Kelemahan 1. Harus mengingat node terakhir dari lintasan parsial yang sudah dicapai sebelumnya.

41 BAB 4 ALGORITMA PENCARIAN (SEARCHING ALGORITHM) 39 S A B B D A C C C F D E D E D B E C F Z A F Z F Z E Z Gambar 4.8 Gambar Tree Yang Dihasilkan dengan Metode Branch & Bound dengan Dynamic Programming 4.5 PENCARIAN UNTUK GAME Permainan (Game) adalah sesuatu yang sangat menarik dan menjadi sub topik tersendiri di dalam Kecerdasan Buatan. Terdapat beberapa alasan kenapa permainan (game) menjadi menarik, yaitu: Kriteria menang atau kalah jelas Dapat mempelajari permasalahan Alasan histori Menyenangkan Biasanya mempunyai search space yang besar (misalnya game catur mempunyai nodes dalam search tree dan 1040 legal states) Terdapat beberapa ciri umum pada permainan (Game) dalam Kecerdasan Buatan, yaitu: Terdapat 2 pemain

42 BAB 4 ALGORITMA PENCARIAN (SEARCHING ALGORITHM) 40 Kesempatan pemain bergantian Zero-sum: kerugian seorang pemain adalah keuntungan pemain lain Perfect information: pemain mengetahui semua informasi state dari game Tidak mengandung probabilistik (seperti dadu) Contoh: Tic-Tac-Toe, Checkers, Chess, Go, Nim, Othello Game tidak termasuk Bridge, Solitaire, Backgammon, dan semisalnya Beberapa computer game player telah mencatat kehebatannya, diantaranya adalah yang disebut di bawah ini: Catur: Deep Blue mengalahkan Gary Kasparov pada tahun 1997 Gary Kasparav vs. Deep Junior (Feb 2003): seri Checkers: Chinook adalah juara dunia Go: Computer player adalah sangat tangguh Bridge: Computer players mempunyai Expert-level Bagimana Komputer menjadi Salah Satu Pemain dalam Game Terdapat beberapa hal yang harus diperhatikan untuk menjadikan komputer sebagai salah satu pemain dalam Game, yaitu: Cara bermain game: Pertimbangkan semua kemungkinan jalan Berikan nilai pada semua kemungkinan jalan Jalankan pada kemungkinan yang mempunyai nilai terbaik Tunggu giliran pihak lawan jalan Ulangi cara diatas Permasalahan kunci: Representasikan board atau state Buatlah next board yang legal Lakukan evaluasi pada posisi

43 BAB 4 ALGORITMA PENCARIAN (SEARCHING ALGORITHM) Fungsi Evaluasi Evaluation function atau static evaluator digunakan untuk mengevaluasi nilai posisi yang baik. Zero-sum assumption membolehkan untuk menggunakan single evaluation function untuk mendeskripsikan nilai posisi f(n) >> 0: posisi n baik untuk saya dan jelek untuk lawan f(n) << 0: posisi n jelek untuk saya dan baik untuk lawan f(n) near 0: posisi n adalah posisi netral/seri f(n) = +infinity: saya menang f(n) = -infinity: lawan menang Beberapa contoh fungsi evaluasi yang digunakan pada pada game: Tic-Tac-Toe f(n) = [# of 3-lengths open for me] - [# of 3-lengths open for you] dimana 3-length adalah complete row, column, atau diagonal yang terisi Alan Turing s function untuk catur f(n) = w(n)/b(n) dimana w(n) = jumlah point value bidak putih and b(n) = jumlah point value dari bidak hitam Deep Blue (yang mengalahkan Gary Kasparov tahun 1997) mempunyai lebih dari 8000 features untuk evaluation function Sistem Pencarian dalam Game Ada dua metode mendasar dalam pencarian untuk game ini, yaitu: A. METODE MINIMAX John von Neumann pada tahun 1944 menguraikan sebuah algoritma search pada game, dikenal dengan nama Minimax, yang memaksimalkan posisi pemain dan meminimalkan posisi lawan

44 BAB 4 ALGORITMA PENCARIAN (SEARCHING ALGORITHM) 42 maximize 3 minimize Gambar 4.9 Tree pada Metode Minimax Metode ini berjalan dengan melakukan proses pada tiap level. Proses yang dilakukan bergantian yaitu mencari nilai minimum, kemudian pada node parent-nya dilakukan pencarian untuk nilai maksimum. Contoh penggunaan metode ini adalah penerapannya pada Game Nim, dengan aturan sebagai berikut: Diawali serangkaian batang Setiap pemain harus memecah serangkaian batang menjadi 2 kumpulan dimana jumlah batang di tiap kumpulan tidak boleh sama dan tidak boleh kosong Gambar 4.10 Ilustrasi Game Nim dengan Jumlah Batang 7 Contoh Game Nim dengan jumlah batang 7 akan menghasilkan semua kemungkinan jalan seperti yang ditunjuk pada Gambar 4.11.

45 BAB 4 ALGORITMA PENCARIAN (SEARCHING ALGORITHM) Gambar 4.11 Semua Kemungkinan Jalan pada Game Nim dengan Jumlah Batang 7 Asumsi yang diberikan adalah MIN bermain dulu dan fungsi evaluasi 0 MIN menang dan 1 MAX menang. Setelah tree pada Gambar 4.11 didapatkan, sesuai dengan cara bermain pada Game seperti yang disebutkan di atas, maka langkah selanjutnya adalah memberi nilai pada semua kemungkinan. Pemberian nilai ini dimulai dari simpul yang menjadi daun(leaf) dengan nilai kemenangan berdasarkan siapa yang bermain terakhir kali, sehingga tree pada Gambar 4.11 akan mempunyai nilai seperti yang digambarkan pada Gambar Dari Semua Kemungkinan Jalan seperti yang digambarkan pada Gambar 4.12, maka komputer dapat menentukan jalan mana yang ditempuh agar komputer bisa menang dalam Game. Jika pihak lawan memilih kondisi 6-1 pada langkah pertama, maka komputer akan memilih kondisi yang mempunyai nilai 1 yaitu Jika lawan memilih kondisi 5-2, komputer akan memilih kondisi yang mempunyai nilai 1, yaitu Jika lawan memilih kondisi 4-3, maka komputer bisa memilih kondisi atau karena keduanya bernilai 1. Begitu seterusnya. Kelemahan dari metode ini adalah waktu eksekusi yang dibutuhkan sebanding dengan jumlah leaf-nya. Sehingga jika #leaf lebih besar, maka permasalahan akan

46 BAB 4 ALGORITMA PENCARIAN (SEARCHING ALGORITHM) 44 semakin kombinatorik. Hal ini diperbaiki dengan sebuah metode yang dinamakan Alpha-beta prunning, seperti yang diuraikan pada sub-bab di bawah ini. MIN MAX MIN MAX MIN MAX Gambar 4.12 Nilai pada Semua Kemungkinan Jalan pada Game Nim dengan Jumlah Batang 7 B. ALPHA BETA PRUNNING Kondisi awal dari sebuah keadaan seperti digambarkan pada gambar 4.13 akan didapatkan hasil dengan metode Alpha Beta Prunning seperti pada gambar maximize level 0 minimize level 1 maximize level 2 minimize level Gambar 4.13 Tree untuk Kondisi Awal Metode Alpha Beta Prunning

47 BAB 4 ALGORITMA PENCARIAN (SEARCHING ALGORITHM) 45 Algoritma 1. Hampiri node pertama pada leaf dengan nilai 5, naik ke parent pada level 2 masukkan nilai 5, hampiri 8, karena 8 > 5 maka ganti parent dengan 8, hampiri Setelah ketiga leaf pertama terhampiri, naik lebih tinggi lagi ke level 1 masukkan nilai Hampiri node keempat pada leaf dengan nilai 9, naik ke parent pada level 2 masukkan nilai 9. Jika kita menghampiri leaf berikutnya, kita mencari nilai yang lebih tinggi dari 9, sementara pada level 1 kita mencari yang lebih kecil dari 8, maka leaf 3 dan 1 kita potong (tidak kita hampiri). 4. Begitu seterusnya hingga kita dapatkan hasil akhir dari tree di atas adalah seperti gambar 4.14 maximize level 0 8 minimize level maximize level minimize level Gambar 4.14 Tree untuk Hasil Metode Alpha Beta Prunning 4.6 RINGKASAN 1. Untuk dapat diselesaikan oleh sebuah sistem Kecerdasan Buatan, maka suatu permasalahan harus ditentukan dulu ruang keadaannya. 2. Langkah-langkah dalam menentukan ruang keadaan adalah : Menentukan State Awal, Menentukan Tujuan yang akan Dicapai, Menentukan Aturan-Aturan. 3. Graph dapat digunakan untuk menotasikan ruang keadaan (perpindahan dari state awal ke GOAL).

48 BAB 4 ALGORITMA PENCARIAN (SEARCHING ALGORITHM) Untuk menghindari proses pencarian yang berulang, maka graph harus digambarkan ke dalam tree. 5. Algoritma Pencarian terbagi menjadi 3 : Algoritma Buta, Algoritma Optimal, dan Algoritma untuk Permainan (Game). 4.7 LATIHAN 1. Buatlah graph ruang keadaan untuk permasalahan petani dan barang bawaannya di atas. Dari sana buatlah tree-nya. 2. Dari tree yang telah anda buat pada no.1 tuliskan perubahan path untuk mencari GOAL jika algoritma yang digunakan Depth First. 3. Dari tree yang telah anda buat pada no.1 tuliskan perubahan path untuk mencari GOAL jika algoritma yang digunakan Breadth First. 4. Buatlah graph ruang keadaan untuk permasalahan teko air di atas. Dari sana buatlah tree-nya. 5. Dari tree yang telah anda buat pada no.4 tuliskan perubahan path untuk mencari GOAL jika algoritma yang digunakan Depth First. 6. Dari tree yang telah anda buat pada no.4 tuliskan perubahan path untuk mencari GOAL jika algoritma yang digunakan Breadth First. 7. a. Suatu proses dapat dinyatakan sebagai serangkaian perubahan dari suatu keadaan (state) ke keadaan lainnya. Tentukan urutan proses dengan biaya minimum yang memerlukan perubahan dari keadaan A ke keadaan Z dengan menggunakan metode Best First (Biaya dinyatakan dengan jarak antara dua node) 3 B D F A C E G 3 Z b. Lakukan langkah pencarian untuk graph di atas dengan menggunakan metode Branch and Bound with Dynamic Programming. 8. Buatlah semua kemungkinan jalan dalam Game Nim dengan jumlah batang 11. Dari semua kemungkinan jalan tersebut berikan semua nilainya, dan berikan salah satu contoh bagaimana permainan berjalan.

49 BAB 4 ALGORITMA PENCARIAN (SEARCHING ALGORITHM) Suatu permainan (game) dapat ditelusuri secara optimal dengan menggunakan prosedur Alpha-beta Prunning. Jelaskan langkah-langkah hampiran untuk pohon di bawah ini: minimize maximize minimize maximize minimize

50 Bab3 Pengolahan Bahasa Alami POKOK BAHASAN: Aplikasi Pengolahan Bahasa Alami Grammatika Parsing Semantik TUJUAN BELAJAR: Setelah mempelajari materi dalam bab ini, mahasiswa diharapkan : Memahami Definisi dari Pengolahan Bahasa Alami Mengetahui Aplikasi dalam Pengolahan Bahasa Alami Mengerti bidang pengetahuan dari Pengolahan Bahasa Alami yaitu Grammatika, Parsing dan Semantik PENDAHULUAN Bahasa sebagai bagian yang penting dari kehidupan manusia, dalam bentuk tulis dapat merupakan catatan dari pengetahuan yang didapat oleh umat manusia dari satu generasi ke generasi berikutnya sedangkan dalam bentuk lisan merupakan sarana komunikasi antar individu dalam suatu masyarakat. Tujuan dalam bidang Natural Language ini adalah melakukan proses pembuatan model komputasi dari bahasa, sehingga dapat terjadi suatu interaksi antara manusia dengan komputer dengan perantaraan bahasa alami. Model komputasi ini dapat berguna untuk keperluan ilmiah misalnya meneliti sifat - sifat dari suatu bentuk bahasa alami maupun untuk keperluan sehari - hari dalam hal ini memudahkan komunikasi antara manusia dengan komputer. 1

51 BAB 3 PENGOLAHAN BAHASA ALAMI 2 Sebuah Natural Language System harus memperhatikan pengetahuan terhadap bahasa itu sendiri, baik dari segi kata yang digunakan, bagaimana kata - kata tersebut digabung untuk menghasilkan suatu kalimat, apa arti sebuah kata, apa fungsi sebuah kata dalam sebuah kalimat dan sebagainya. Akan tetapi kita juga harus mempertimbangkan ada satu hal lagi yang sangat berperan dalam bahasa, yaitu kemampuan manusia untuk mengerti dan kemampuan untuk itu didapat dari pengetahuan yang didapat secara terus menerus sewaktu hidup. Sebagai contoh dalam suatu percakapan, seseorang mungkin dapat menjawab suatu pertanyaan atau ikut dalam suatu percakapan dengan tidak hanya berdasar pada kemampuan berbahasa tapi juga harus tahu misalnya kata istilah yang umum digunakan dalam kelompok percakapan itu atau bahkan harus tahu konteks dari percakapan itu sendiri BIDANG PENGETAHUAN DALAM NATURAL LANGUAGE Secara singkat pengolahan bahasa alami (natural language processing) mengenal beberapa tingkat pengolahan yaitu : Dibawah ini dijelaskan bidang-bidang pengetahuan yang berhubungan dengan Natural Language Processing : 1. Fonetik dan fonologi : berhubungan dengan suara yang menghasilkan kata yang dapat dikenali. Bidang ini menjadi penting dalam proses aplikasi yang memakai metoda speech based system. 2. Morfologi : yaitu pengetahuan tentang kata dan bentuknya dimanfaatkn utnuk membedakan satu kata dengan lainnya. Pada tingkat ini juga dapat dipisahkan antara kata dan elemen lain seperti tanda baca. Sebagai contoh kata going : going (word) go (root) ing (suffix) kata understand : under(prefix) stand(root) 3. Sintaksis : yaitu pemahaman tentang urutan kata dalam pembentukan kalimat dan hubungan antar kata tersebut dalam proses perubahan bentuk dari kalimat menjadi bentuk yang sistematis. Meliputi proses pengaturan tata letak suatu kata dalam

52 BAB 3 PENGOLAHAN BAHASA ALAMI 3 kalimat akan membentuk kalimat yang dapat dikenali. Selain itu dapat pula dikenali bagian - bagian kalimat dalam suatu kalimat yang lebih besar. Sebagai contoh kalimat S dibentuk dari noun phrase (NP) dan verb phrase (VP) S -> NP,VP Dan berikutnya : NP -> DET,N VP -> V,NP NP -> N 4. Semantik : yaitu pemetaan bentuk struktur sintaksis dengan memanfaatkan tiap kata ke dalam bentuk yang lebih mendasar dan tidak tergantung struktur kalimat. Semantik mempelajari arti suatu kata dan bagaimana dari arti kata - arti kata tersebut membentuk suatu arti dari kalimat yang utuh. Dalam tingkatan ini belum tercakup konteks dari kalimat tersebut. 5. Pragmatik : pengetahuan pada tingkatan ini berkaitan dengan masing - masing konteks yang berbeda tergantung pada situasi dan tujuan pembuatan sistem. 6. Discourse Knowledge : melakukan pengenalan apakah suatu kalimat yang sudah dibaca dan dikenali sebelumnya akan mempengaruhi arti dari kalimat selanjutnya. Informasi ini penting diketahui untuk melakukan pengolahan arti terhadap kata ganti orang dan untuk mengartikan aspek sementara dari informasi. 7. World Knowledge : mencakup arti sebuah kata secara umum dan apakah ada arti khusus bagi suatu kata dalam suatu percakapan dengan konteks tertentu. Definisi ini tidaklah bersifat kaku, dan untuk setiap bentuk bahasa alami yang ada biasanya ada pendefinisian lagi yang lebih spesifik sesuai dengan karakter bahasa tersebut. Pada beberapa masalah mungkin hanya mengambil beberapa dari pendekatan tersebut bahkan mungkin ada yang melakukan tambahan proses sesuai dengan karakter dari bahasa yang digunakan dan sistem yang dibentuk. Selain yang sudah disebutkan di atas masih ada lagi satu masalah yang cukup menantang dalam Natural Language yaitu ambiguitas atau makna ganda dari suatu kata atau kalimat. Dari satu masukan yang sama dapat menjadi beberapa arti yang berbeda dan masing - masing dapat bernilai benar tergantung pada keperluan pemakai. Hal ini dapat terjadi pada hampir semua tingkatan pendekatan di atas.

53 BAB 3 PENGOLAHAN BAHASA ALAMI APLIKASI DALAM BIDANG NATURAL LANGUAGE Jenis aplikasi yang bisa dibuat pada bidang bidang Natural Language adalah: text - based application dan dialogue - based applications. Text - based application mencakup segala macam aplikasi yang melakukan proses terhadap text tertulis seperti misalnya buku, berita di surat kabar, dan lain sebagainya. Contoh penggunaan dari text - based application ini adalah : a. mencari topik tertentu dari buku yang ada pada perpustakaan. b. mencari isi dari surat atau c. menterjemahkan dokumen dari satu bahasa ke bahasa yang lain. Akan tetapi tidak semua system yang dapat melakukan hal - hal seperti di atas menggunakan pendekatan Natural Language, karena seperti misalnya contoh pencarian topik dari suatu buku di perpustakaan dapat didekati dengan sistem database yang cukup lengkap. Tetapi kalau dihadapkan pada pertanyaan yang cukup kompleks dengan bahasa alami yang ada maka akan dirasakan bahwa pendekatan dengan Natural Language lebih efisien. Salah satu bentuk yang cukup menarik adalah apabila sistem diminta untuk mencari isi dari suatu berita atau artikel, untuk hal ini pendekatan yang dilakukan hampir serupa dengan pendekatan yang dilakukan manusia apabila menghadapi suatu tes reading and comprehension. Bentuk berikutnya adalah bentuk dialogue - based application. Idealnya pedekatan ini melibatkan bahasa lisan atau pengenalan suara, akan tetapi bidang ini juga memasukkan interaksi dengan cara memasukkan teks pertanyaan melalui keyboard. Aplikasi yang sering ditemui untuk bidang ini adalah : a. sistem tanya jawab, dimana natural language digunakan dalam mendapatkan informasi dari suatu database. b. sistem otomatis pelayanan melalui telepon c. control suara pada peralatan elektronik d. sistem problem - solving yang membantu untuk melakukan penyelesaian masalah yang umum dihadapi dalam suatu pekerjaan. Sebelumnya perlu diberikan batasan bahwa untuk sistem yang dapat melakukan interaksi melalui bahasa lisan ada bagian speech recognition yang merupakan bagian terpisah dari Natural Language.

54 BAB 3 PENGOLAHAN BAHASA ALAMI GRAMATIKA Grammar suatu bahasa dapat dilihat sebagai suatu aturan yang menentukan apakah sutau kumpulan kata dapat diterima sebagai kalimat oleh bahasa tersebut. Grammar dari Chomsky Hierarchy yaitu Context Free Grammar memiliki sifat lebih mudah dipahami perilakunya dan pengolahannya serta masih dapat diolah dalam bentuk program yang terstruktur. Sebuah bahasa L dapat dijelaskan sebagai set dari string, dimana string dibentuk dari bagian terkecil yang disebut symbol. Kelompok tertentu v dari symbol biasa dikenal sebagai alfabet atau perbendaharaan kata. Sebuah kalimat yang dapat dikenali dibentuk dengan berdasarkan aturan - aturan yang ada yang biasa disebut grammar. Sebuah grammar G dapat dibentuk dari 4 tupleyaitu : simbol non terminal, simbol terminal, simbol awal dan aturan penulisan atau (rules). Definisinya adalah : G = (vn, vt, s, p) Sebagai contoh dapat kita lihat dari grammar G sederhana berikut ini : dengan aturan : DictJenis = {Kata_Benda, Kata_Kerja, Frasa_Benda, Frasa_Kerja, Keterangan} DictKata = {Orang, Makan, Telur, Ayam, Terbang, Tinggi} s Frasa_Benda Frasa_Kerja Frasa_Benda Kata_Benda Kata_Benda Frasa_Kerja Kata_Kerja Keterangan Kata_Benda {Orang, Telur, Ayam} Kata_Kerja {Makan, Terbang} Keterangan {Tinggi} Dari grammar G dapat dibentuk kalimat : Orang Makan Ayam Ayam Terbang Tinggi Orang Terbang Tinggi Ayam Makan Orang semua kalimat tersebut apabila dicari pembentukannya melalui grammar G dapat dikatakan benar akan tetapi harus diingat bahwa kalimat dengan grammar yang benar hanya berarti benar secara struktural bukan berarti selalu benar dalam makna. Seperti kalimat ketiga yang hanya benar apabila berada dalam konteks orang memakai alat

55 BAB 3 PENGOLAHAN BAHASA ALAMI 6 misalnya pesawat terbang. Sedangkan kalimat keempat malah sama sekali tidak mungkin dapat dimengerti maknanya, selain hanya akan menimbulkan tanda tanya bagi orang yang membaca. Dari grammar kita dapat mempelajari bahasa dari segi struktur dan bukan dari segi makna bahasa itu sendiri CHOMSKY HIERARCHY OF GENERATIVE GRAMMAR Noam Chomsky menyusun grammar dalam urutan yang dia sebut tipe 0, 1, 2 dan 3. Tipe 0 adalah bentuk yang paling bebas dan paling sulit dikenali, biasa disebut recursively enumerable set, untuk mengenali bentuk ini biasa dipakai Turing Machine. Berikutnya adalah tipe 1 yang disebut context sensitive grammar. Type 2 dari grammar yaitu context free grammar dinyatakan dengan aturan umum yaitu : <symbol1> <symbol1> <symbolk> dengan k 1 dan bagian kiri dari rule adalah single non terminal symbol. Grammar tipe 3 bernama finite state atau regular grammar, tipe ini paling sederhana dan mudah dipahami sifatnya. Secara umum dikatakan bahwa pemakaian context free grammar secara murni (tanpa tambahan metoda tertentu) adalah tidak cukup untuk pengolahan bahasa alami. Akan tetapi karena bentuk context free dan regular grammar tersebut yang paling dipahami perilaku dan pengolahannya, maka beberapa cara telah dikembangkan untuk dapat melakukan pengolahan bahasa alami dengan bentuk grammar tersebut PARSING Parsing adalah suatu proses menganalisa suatu kumpulan kata dengan memisahkan kata tersebut dan mementukan struktur sintaksis dari tiap kata tersebut.. Gramatika yang dipakai juga sangat berkaitan dengan proses parsing apa yang digunakan. Pada Bottom-Up Parsing gramatika yang dipakai akan lebih banyak bercabang ke arah simbol non-terminal. Hal lain yang juga berkaitan erat dengan proses parsing adalah kamus atau leksikon yang digunakan. Dalam leksikon disimpan daftar kata yang dapat dikenali sebagai simbol terminal dalam grammar dan informasi yang diperlukan untuk tiap kata tersebut untuk proses parsing yang bersangkutan. Dari pendekatan dalam mengenali struktur suatu kalimat, proses parsing dapat dibagi menjadi dua bagian besar yaitu Top Down parsing dan Bottom Up parsing. Top

56 BAB 3 PENGOLAHAN BAHASA ALAMI 7 Down parser memulai pemeriksaan dari simbol awal s dan mencoba untuk mencari bentuk simbol terminal berikutnya yang sesuai dengan jenis kata dari kalimat masukan. Cara sebaliknya diterapkan untuk Bottom Up parser yaitu mencari dari simbol - simbol terminal menuju ke arah pembentukan simbol awal s SEMANTIK Semantic analyzer mempunyai himpunan rule dalam basis pengetahuan untuk menginterprestasikan sebuah kalimat. Rule 1 : IF determiner adalah bagian pertama dalam kalimat dan diikuti oleh noun THEN noun tersebut dianggap sebagai subyek. Rule 2 : IF verb diikuti subyek THEN verb menjelaskan tentang apa yang dikerjakan oleh subyek. Rule 3 : IF noun diikuti subyek dan verb THEN noun tersebut dianggap sebagai obyek Rule 4 : IF kalimat mempunyai bentuk subyek, ver, obyek THEN subyek mengerjakan (verb) yang ada hubungannya dengan obyek. Kalimat 'A plane flew home' mentrigger rule 1 yang mengidentifikasi plane sebagai subyek, lalu rule 2 menjelaskan bahwa plan flew. Rule 3 dan 4 mengidentifikasikan home sebagai obyek. Natural language processing dapat dipakai sebagai front (bagian depan) pada sistem AI, dimana data dilewatkan secara verbal. Pendekatan yang dipakai adalah pendekatan Semantic Grammar yang dipadukan dengan Dictionary tambahan dan Template Grammar. Semantic Grammar sebagai grammar utama dipilih dengan alasan dalam grammar ini sudah terkandung unsur semantic yang dapat membantu pembentukan semantic dari kalimat. Selain itu karena format dari kalimat sudah dibatasi pada bentuk tertentu (representasi data tabel) maka grammar ini dapat diandalkan terutama untuk bentuk - bentuk tanya dan perintah.

57 BAB 3 PENGOLAHAN BAHASA ALAMI 8 Mendefinisikan semantic dan arti sebenarnya adalah proses yang sulit karena hal ini tergantung pada maksud dalam kalimat dan juga adanya kemungkinan arti lain dalam kalimat. Seperti misalnya makan hati dapat diartikan makan dengan lauk hati atau perasaan sedih yang ada pada hati seseorang, tergantung pada letaknya dalam kalimat. Apabila terdapat pada kalimat; karena baru mendapat rejeki anak itu makan hati di restoran; maka artinya adalah yang pertama tetapi jika pada kalimat; dia makan hati karena ditinggal pergi pacarnya; berarti yang kedua. Pada bagian ini akan diterangkan beberapa pendekatan semantic yang biasa dilakukan pada suatu Natural Language system SEMANTIC GRAMMAR Pada Semantik Grammar, dipakai sekumpulan rule yang bukan hanya bersifat sintaksis tapi juga bersifat semantis dan pragmatis. Hasil dari proses parsing dengan menggunakan grammar tersebut adalah langsung berupa representasi semantis dari kalimat yang diolah. Dapat dilihat pada contoh dengan domain sistem jadwal penerbangan pesawat udara : the flight to Chicago the 8 o clock flight flight 457 to Chicago Grammar untuk sistem ini pada umumnya dikenali sebagai : NP DET CNP (the flight) CNP N (flight) CNP CNP PP (flight to Chicago) CNP PRE-MOD CNP (8 o clock flight) NP N NUMB (flight 457) Tetapi perlu diingat bahwa grammar tersebut masih bersifat umum, masih memungkinkan terjadi kesalahan karena luasnya jangkauan grammar seperti : the city to Chicago the 8 o clock city Untuk itu maka dilakukan pembatasan dengan jalan memberikan kategori leksikal baru pada suatu kata yang berdasar pada keperluan semantis. Dapat kita gambarkan bahwa pada : NP DET CNP (the flight) diubah menjadi

58 BAB 3 PENGOLAHAN BAHASA ALAMI 9 FLIGHT-NP DET FLIGHT-CNP CNP N (flight) diubah menjadi FLIGHT-CNP FLIGHT-N dengan demikian kita sudah melakukan pembatasan bahwa yang mungkin dibentuk untuk kata benda dari sistem adalah the flight dan flight tidak untuk yang lain. Perlu diingat perubahan ini juga akan merubah kata yang lain misal Chicago dari NP menjadi misalnya CITY-NAME. Secara lengkap maka grammar di atas tadi berubah menjadi : FLIGHT-NP DET FLIGHT-CNP FLIGHT-CNP FLIGHT-N FLIGHT-CNP FLIGHT-CNP FLIGHT-DEST FLIGHT-CNP FLIGHT-CNP FLIGHT-SOURCE FLIGHT-CNP FLIGHT-N FLIGHT-PART FLIGHT-CNP FLIGHT-PRE-MOD FLIGHT-CNP FLIGHT-NP FLIGHT-N NUMB CITY-NP CITY-NAME CITY-NP DET CITY-CNP CITY-CNP CITY-N CITY-CNP CITY-MOD CITY-CNP CITY-MOD-ARG Dari grammar dasar di atas dapat dibentuk grammar tambahan misalnya untuk pertanyaan TIME-QUERY When does FLIGHT-CNP (When does flight to Chicago) Dengan pendekatan ini, interpretasi dari rule yang bersangkutan menjadi lebih mudah karena sebagian besar dari informasi semantic yang diperlukan dapat dilihat dari rule yang digunakan. Kekurangan dari pendekatan ini adalah domainsistem yang tidak begitu besar, dimana domain yang baru akan memerlukan aturan yang baru yang sesuai. Selain itu terjadi pembengkakan jumlah rule yang diperlukan, hal ini karena dengan langsung mengacu ke semantik maka banyak generalisasi linguistik yang harus diperinci lebih jauh. Seperti pada contoh di atas kita harus memisahkan antara NP untuk flight dan Chicago menjadi FLIGHT-NP dan CITY-NAME.

59 BAB 3 PENGOLAHAN BAHASA ALAMI TATA BAHASA INDONESIA Sub bab ini membahas secara singkat beberapa pengertian dasar tentang tatabahasa bahasa Indonesia yang memiliki kaitan erat dengan pengolahannya dengan komputer. Kalimat dapat dirumuskan sebagai konstruksi sintaksis terbesar yang terdiri dari dua kata atau lebih. Hubungan struktural antara kata dan kata, atau kelompok kata dan kelompok kata lain, berbeda beda. Antara kalimat dan kata terdapat dua satua sintaksis antara, yaitu klausa dan frasa. Klausa merupakan satuan sintaksis yang terdiri dari dua kata atau lebih, yang mengandung unsur predikasi. Unsur predikasi adalah subyek, predikat, obyek, pelengkap, atau keterangan. Frasa adalah satuan sintaksis yang terdiri dari dua kata atau lebih yang tidak mengandung unsur predikasi ( Krulee : 1991) dalam Wiryana(2001) Kalimat umumnya berwujud rentetan kata yang disusun sesuai dengan kaidah yang berlaku. Tiap kata dalam kalimat mempunyai tiga klasifikasi, yaitu berdasarkan (1) bentuk dan kategori kata / frasa, (2) fungsi sintaksis, dan (3) peran semantisnya. Contoh penguraian kalimat berdasarkan klasifikasi di atas terlihat pada Tabel 1. Tabel 1 Contoh Hubungan Bentuk, Kategori, Fungsi dan Peran Unsur-Unsur Kalimat Bent Ib say tida mem ba bar unt kam uk u a k beli ju u uk i Kata N Pro Ad Pre V N Adj N n v p Fras FN FV FN FPrep a Fung Predik Subjek Objek Pelengkap si at Pera Pelaku Perbuatan Sasaran Peruntung n Macam ragam kalimat / jenis kalimat dapat ditinjau dari beberapa hal antara lain berdasarkan jumlah klausanya. Klausa adalah satuan sintaksis yang terdiri atas dua kata atau lebih yang mengandung unsur predikasi. Kalimat dapat terdiri dari satu klausa atau

60 BAB 3 PENGOLAHAN BAHASA ALAMI 11 lebih. Dengan demikian, dalam kalimat yang mempunyai lebih dari satu klausa, terdapat suatu hubungan antar klausa yang menentukan struktur kalimat tersebut. Bentuk dan kategori Kata/ Frasa Kata dapat dibedakan berdasarkan kategori sintaksisnya. Artinya, kata yang mempunyai bentuk serta perilaku yang sama dimasukkan dalam satu kelompok. Kategori sintaksis sering juga disebut kategori atau kelas kata. Kelas kata yang ada dalam bahasa Indonesia adalah: 1. Verba (kata kerja) 2. Nomina (kata benda) 3. Adjektiva (kata sifat) 4. Adverbia (kata keterangan) 5. Kata tugas : a. Preposisi (kata depan) b. Konjungtor (kata sambung) c. Partikel penegas d. Artikula e. Interjeksi (kata seru) Nomina, verba, maupun adjektiva dapat dikembangkan dengan tambahan pembatas (pewatas) tertentu menjadi sebuah frasa. Frasa adalah satuan sintaksis yang terdiri atas dua kata atau lebih yang tidak mengandung unsur predikasi. Jika dua kata atau lebih itu mengandung unsur predikasi maka satuan sintaksis tersebut disebut klausa. Kategori frasa dibedakan berdasarkan unsur utamanya, yaitu: 1. Frasa Nominal (FN), contoh: gedung gedung sekolah, gedung bagus 2. Frasa Verbal (FV), contoh: makan makan pelan-pelan, pergi sudah pergi 3. Frasa Adjektival (FAdj), contoh: manis sangat manis 4. Frasa Preposisional (FPrep), contoh: kepada kepada saya

61 BAB 3 PENGOLAHAN BAHASA ALAMI Verba dan Frasa Verbal Verba memiliki fungsi utama sebagai predikat atau sebagai inti predikat dalam kalimat. Verba mengandung makna perbuatan (aksi), proses, dan keadaan yang bukan sifat/kualitas. Pada dasarnya verba terdiri atas verba transitif dan verba taktransitif. Ketransitifan verba ditentukan oleh dua faktor: (1) adanya nomina yang berdiri di belakang verba yang berfungsi sebagai objek dalam kalimat aktif dan (2) kemungkinan objek itu berfungsi sebagai subjek dalam kalimat pasif Nomina, Pronomina dan Numeralia Nomina dan Frasa Nominal Nomina adalah kata yang mengacu pada manusia, binatang, benda, konsep, dan pengertian. Nomina menduduki fungsi subjek, objek, pelengkap, dan keterangan. Nomina diingkarkan dengan kata bukan. Pada frasa nominal, nomina berfungsi sebagai inti frasa. Pewatas depannya dapat berupa numeralia (lima lembar) atau kata tugas (di atas). Numeralia sebagai pewatas depan dapat diikuti oleh nomina penggolong (dua buah buku). Nomina bisa juga berada di depannya jika tidak ada pewatas lain (buku dua buah). Nomina umumnya diikuti dengan adjektiva dan dapat didahului kata yang, contoh: anak (yang) baik. Pewatas belakang nomina bisa juga berupa nomina lain (atap rumah), verba (jam kerja), pronomina (buku saya), atau frasa preposisional (uang untuk pondokan) dan ditutup dengan pronomina orang (seperti: saya, kamu) dan pronomina tunjuk (ini, itu). Pewatas belakang nomina dapat juga berupa klausa yang diawali dengan kata yang, contoh: paman yang tinggal di Bandung Pronomina dan Frasa Pronomina Pronomina adalah kata yang dipakai untuk mengacu kepada nomina lain, contoh: kata dia mengacu kepada perawat. Pronomina menduduki fungsi subjek, objek, maupun predikat. Pronomina terbagi atas:

62 BAB 3 PENGOLAHAN BAHASA ALAMI Pronomina persona, yaitu pronomina yang dipakai untuk mengacu pada orang. Contoh: saya, aku, kami, kita, engkau, kamu, kalian, dia, beliau, mereka. 2. Pronomina penunjuk, yaitu pronomina yang dipakai untuk mengacu pada benda, tempat atau ihwal. Contoh: ini, itu, sini, sana, begini, begitu, demikian. Selain itu ada juga yakni dan yaituyang mengacu ke depan maupun ke belakang. Bagian di belakangnya merupakan penjelas/uraian. Contoh: Camat wilayah itu, yakni Pak Sitepu, masih berkerabat dengan saya. 3. Pronomina penanya, yaitu pronomina yang dipakai sebagai pemarkah pertanyaan. Contoh: siapa, apa, mana, mengapa, kenapa, kapan, bila(mana), di/ke/dari mana, bagaimana, berapa. Frasa pronominal adalah frasa yang intinya berupa pronomina. Pronomina dapat diikuti oleh numeralia kolektif (kamu sekalian), kata penunjuk (saya ini), kata sendiri (mereka sendiri), ataupun klausa yang diawali dengan kata yang (mereka yang tidak hadir akan ditegur) Numeralia dan Frasa Numeralia Numeralia adalah kata yang dipakai untuk menghitung banyaknya nomina. Pada dasarnya, dalam bahasa Indonesia, ada dua macam numeralia yaitu numeralia pokok dan numeralia tingkat. Numeralia pokok adalah bilangan dasar yang menjadi sumber dari bilanganbilangan yang lain. Numeralia pokok terbagi menjadi numeralia pokok tentu (0-nol sampai 9-sembilan), pokok kolektif (kedua gedung, lima sekawan, kami berdua, berpuluh-puluh, puluhan), pokok distributif (masing-masing, tiap-tiap, setiap), pokok taktentu (banyak, berbagai, beberapa, semua, seluruh, segala, segenap), numeralia klitika (eka-, dwi-, tri-, catur-, panca-, sapta-, dasa-), numeralia ukuran (lusin, kodi, meter, liter, gram).

63 BAB 3 PENGOLAHAN BAHASA ALAMI 14 Numeralia tingkat diletakkan dibelakang nomina untuk menyatakan tingkatan nomina tersebut. Contoh: anak pertama, gedung kedua. Frasa numeralia dibentuk dengan menambahkan kata penggolong. Contoh: tiga buah (buku). Penggolong secara umum terbagi atas penggolong orang yaitu orang, penggolong binatang yaitu ekor, dan penggolong untuk nomina yang bukan manusia dan bukan binatang yaitu buah Adjektiva dan Frasa Adjektival Adjektiva adalah kata yang memberikan keterangan (bersifat atributif) terhadap nomina dalam kalimat. Nominanya menjadi subjek, objek atau pelengkap dalam kalimat. Letak adjektiva adalah di sebelah kanan nomina. Contoh: baju baru, baju putih yang baru dan bersih. Adjektiva mengungkapkan kualitas (disebut adjektiva bertaraf) atau keanggotaan dalam suatu golongan (disebut adjektiva tak bertaraf) dari acuan nomina yang diwatasinya. Frasa adjektival adalah frasa yang inti frasanya adalah adjektiva. Adjektiva ini dapat diwatasi oleh pemarkah aspektualitas dan pemarkah modalitas di sebelah kirinya. Contoh: tidak bodoh, sudah akan sembuh. Adjektiva juga dapat diikuti pewatas yang berposisi di sebelah kanannya. Contoh: sakit lagi, kaya juga Adverbia Dalam tataran klausa, adverbia mewatasi/menjelaskan fungsi-fungsi sintaksis, khususnya predikat. Dalam tataran frasa, adverbia adalah kata yang menjelaskan verba, adjektiva atau adverbia lain. Adverbia juga menjelaskan nomina, frasa preposisional, pronomina, dan numeralia. Ada empat macam posisi adverbia, yaitu: 1. mendahului kata yang diterangkan, contoh: lebih tinggi, hanya menulis 2. mengikuti kata yang diterangkan, contoh: merah sekali, duduk-duduk saja 3. mendahului atau mengikuti kata yang diterangkan, contoh: amat mahal, mahal amat 4. mendahului dan mengikuti kata yang diterangkan, contoh: sangat manis sekali

64 BAB 3 PENGOLAHAN BAHASA ALAMI Kata Tugas Kata tugas adalah kata yang hanya mempunyai arti gramatikal dan tidak memiliki makna leksikal. Artinya, kata tugas baru akan mempunyai arti apabila dirangkaikan dengan kata lain, contoh: ke pasar. Ciri lainnya adalah kata tugas tidak dapat menjadi dasar untuk membentuk kata lain, dan kata tugas merupakan kelas kata tertutup (tidak ada padanannya). Berdasarkan peranannya dalam frasa atau kalimat, kata tugas dibagi menjadi lima kelompok: (1) preposisi, (2) konjungtor, (3) partikel penegas, (4) artikula, (5) interjeksi. 1. Preposisi Preposisi (kata depan) menandai hubungan makna antara unsur di depan preposisi tersebut dengan unsur di belakangnya. Contoh dalam frasa pergi ke pasar, preposisi ke menyatakan hubungan makna arah antara pergi dan pasar. Peran semantis preposisi yang lazim dalam bahasa Indonesia adalah: 1. Penanda hubungan tempat, contoh: di, ke, dari, hingga, sampai, antara, pada 2. Penanda hubungan peruntukan, contoh: bagi, untuk, buat, guna 3. Penanda hubungan sebab, contoh: karena, sebab, lantaran 4. Penanda hubungan kesertaan atau cara, contoh: dengan, sambil, beserta, bersama 5. Penanda hubungan pelaku, contoh: oleh 6. Penanda hubungan waktu, contoh: pada, hingga, sampai, sejak, semenjak, menjelang 7. Penanda hubungan ihwal peristiwa, contoh: tentang, mengenai 8. Penanda hubungan milik, contoh: dari 2. Konjungtor Konjungtor (kata sambung) adalah kata tugas yang menghubungkan dua satuan bahasa yang sederajat: kata dengan kata, frasa dengan frasa, atau klausa dengan klausa. Dilihat dari perilaku sintaksisnya dalam kalimat, konjungtor dibagi menjadi empat kelompok:

65 BAB 3 PENGOLAHAN BAHASA ALAMI Konjungtor koordinatif adalah konjungtor yang menggabungkan kata atau klausa yang setara. Klausa yang dihubungkan dengan konjungtor koordinatif akan membentuk kalimat majemuk setara. Yang termasuk konjungtor koordinatif antara lain adalah dan, serta, atau, tetapi, melainkan, padahal sedangkan. 2. Konjungtor korelatif adalah konjungtor yang menghubungkan dua kata, frasa atau klausa yang memiliki status sintaksis yang sama. Konjungtor korelatif terdiri atas dua bagian yang dipisahkan oleh salah satu kata, frasa, atau klausa yang dihubungkan. Contoh: (3) Baik Pak Anwar maupun istrinya tidak suka merokok (4) Kita tidak hanya harus setuju, tetapi juga harus patuh 3. Konjungtor subordinatif adalah konjungtor yang menghubungkan dua klausa atau lebih, dan klausa itu tidak memiliki status sintaksis yang sama. Salah satu dari klausa itu merupakan anak kalimat. Penggabungan anak kalimat itu dengan induk kalimatnya menghasilkan kalimat majemuk bertingkat. Berikut ini adalah kelompok-kelompok konjungtor subordinatif: a. konjungtor subordinatif waktu, contoh: sejak, ketika, setelah, hingga b. konjungtor subordinatif syarat, contoh: jika, kalau, bila, asal c. konjungtor subordinatif pengandaian, contoh: andaikan, seandainya d. konjungtor subordinatif tujuan, contoh: agar, supaya, biar e. konjungtor subordinatif konsesif, contoh: biarpun, meski(pun), walau(pun) f. konjungtor subordinatif pembandingan, contoh: seperti, sebagai, daripada g. konjungtor subordinatif sebab, contoh: sebab, karena, oleh karena h. konjungtor subordinatif hasil, contoh: sehingga, sampai, maka i. konjungtor subordinatif alat, contoh: dengan, tanpa

66 BAB 3 PENGOLAHAN BAHASA ALAMI 17 j. konjungtor subordinatif cara, contoh: dengan, tanpa k. konjungtor subordinatif komplementasi, contoh: bahwa l. konjungtor subordinatif atributif, contoh: yang m. konjungtor subordinatif perbandingan, contoh: sama... dengan Konjungtor antarkalimat adalah konjungtor yang merangkaikan dua kalimat tetapi masing-masing merupakan kalimat sendiri-sendiri. Konjungtor ini selalu memulai suatu kalimat yang baru. Contoh:konjungtor antarkalimat: biarpun demikian, kemudian, sesudah itu, lagi pula, selain itu, sebaliknya, sesungguhnya, bahkan, (akan) tetapi, namun, kecuali itu, dengan demikian, oleh karena itu, sebelum itu. 3. Partikel Penegas Kategori partikel penegas meliputi kata yang tidak tertakluk pada perubahan bentuk dan hanya berfungsi menampilkan unsur yang diiringinya. Ada empat macam partikel penegas yaitu -kah, -lah, -tah, dan pun. 4. Artikula Artikula adalah kata tugas yang membatasi makna nomina. Dalam bahasa Indonesia dikenal kelompok artikula yang bersifat gelar (sang, sri, hang, dang), artikula yang mengacu ke makna kelompok (para), dan artikula yang menominalkan (si) RINGKASAN: 5. Interjeksi Interjeksi (kata seru) adalah kata tugas yang mengungkapkan rasa hati pembicara. Contoh: bah, sialan, aduhai. aduh, astaga, ayo, hai, nah. Tujuan dalam bidang Natural Language ini adalah melakukan proses pembuatan model komputasi dari bahasa, sehingga dapat terjadi suatu interaksi antara manusia dengan komputer dengan perantaraan bahasa alami.

67 BAB 3 PENGOLAHAN BAHASA ALAMI 18 Pengolahan Bahasa Alami (Natural language processing) mengenal beberapa tingkat pengolahan yaitu fonetik, morfologi, sintaksis, semantik, pragmatik, discourse knowledge dan world knowledge Jenis aplikasi yang bisa dibuat pada bidang Natural Language adalah: text - based application dan dialogue - based applications. Grammar suatu bahasa dapat dilihat sebagai suatu aturan yang menentukan apakah suatu kumpulan kata dapat diterima sebagai kalimat oleh bahasa tersebut. Grammar dari Chomsky Hierarchy yaitu Context Free Grammar memiliki sifat lebih mudah dipahami perilakunya dan pengolahannya serta masih dapat diolah dalam bentuk program yang terstruktur. Parsing adalah suatu proses menganalisa suatu kumpulan kata dengan memisahkan kata tersebut dan mementukan struktur sintaksis dari tiap kata tersebut.. Gramatika yang dipakai juga sangat berkaitan dengan proses parsing apa yang digunakan. LATIHAN SOAL : 1) Jelaskan pengertian dari Pengolahan Bahasa Alami! 2) Sebutkan jenis aplikasi yang bisa dibuat pada bidang Pengolahan Bahasa Alami. Jelaskan masing-masing secara singkat! 3) Bagaimana cara menginterprestasikan suatu kalimat dengan Semantic Analyzer! Berikan contohnya.

68 Bab6 Sistem Pakar POKOK BAHASAN: Konsep Dasar Sistem Pakar Pendekatan Inferensi dalam Sistem Pakar Inferensi berbasis Aturan Metode Pencarian Faktor Ketidakpastian TUJUAN BELAJAR: Setelah mempelajari materi dalam bab ini, mahasiswa diharapkan : Memahami Konsep Dasar Sistem Pakar Memahami Pendekatan Inferensi yang digunakan dalam Sistem Pakar Mengetahui Kaitan antara Sistem Pakar dengan Bidang Ilmu lain 6.1 PENDAHULUAN Usaha untuk memahami dan meniru mekanisme kecerdasan manusia dengan memakai komputer agar memiliki pengetahuan seperti seorang pakar, bukan lagi anganangan. Dengan perkembangan salah satu bidang dalam Kecerdasan Buatan yaitu Sistem Pakar. 68

69 BAB 6 SISTEM PAKAR 69 Gambar 2.6. Struktur Sistem Pakar Pengetahuan Sistem Pakar diambil dari seorang manusia yang pakar dalam domain tersebut, dan Sistem Pakar berusaha menirukan metodologi dan kinerjanya. 6.2 PENGERTIAN SISTEM PAKAR Sistem Pakar adalah bagian dari Kecerdasan Buatan yang berisi kombinasi pemahaman teoritis tentang suatu persoalan dan sekumpulan aturan pemecahan persoalan heuristik yang dikembangkan oleh manusia untuk dapat memecahkan problema pada suatu domain yang spesifik. Sistem Pakar merupakan perangkat lunak yang digunakan untuk memecahkan masalah yang biasanya diselesaikan oleh seorang pakar. Aturan-aturan di dalamnya memberitahu program, bagaimana ia memberlakukan informasi-informasi yang tersimpan. Berdasarkan itu program memberikan solusi-solusi atau bantuan pengambilan keputusan mengenai permasalahan tertentu, mirip dengan saran seorang pakar.

70 BAB 6 SISTEM PAKAR KARAKTERISTIK SISTEM PAKAR Karakteristik umum yang membedakan Sistem Pakar dengan perangkat lunak biasa adalah : 1. Terdapat banyak kemungkinan jawaban Akan memakan waktu lama untuk menguji dan mempelajari jawaban itu, karena ruang persoalan (problem space) berukuran besar dan tak pasti. 2. Data kabur Sistem Pakar mencapai konklusi yang tidak pasti karena informasi yang dipakainya sering berupa data yang kabur. Biarpun demikian sistem pakar diharapkan dapat memberi keputusan yang tergolong baik. Dalam arti tingkat kesalahannya tidak terlalu besar. 3. Heuristik Bersifat heuristik dalam menggunakan pengetahuan untuk memperoleh suatu solusi. 4. Fasilitas informasi Sistem pakar dapat memberikan kemudahan-kemudahan jawaban kepada user, sehingga user akan merasa puas dengan jawaban yang diberikan Sistem Pakar. Sedangkan Sistem Pakar bisa disebut mempunyai sifat yang ideal bila mempunyai ciri-ciri : 1. Terbuka untuk diperiksa 2. Mudah dimodifikasi 3. Fasilitas penalaran/penjelasan Sangatlah penting bagi sebuah Sistem Pakar mempunyai sifat terbuka terhadap pemeriksaan, karena alasan : 1. Untuk mempermudah penambahan sejumlah informasi atau aturan baru untuk memperbaharui basis pengetahuannya dalam rangka mengembangkan kinerjanya.

71 BAB 6 SISTEM PAKAR Memuaskan user, akan kebenaran jawaban yang diberikan oleh Sistem Pakar. 3. Setiap aspek dan keputusan yang diambil selama proses untuk mendapatkan solusi dapat dievaluasi dengan baik. Sedangkan dengan adanya fasilitas penalaran, Sistem Pakar akan dapat memberikan informasi tentang kesimpulan yang diambil komputer dan memperlihatkan kaidah-kaidah yang dipergunakan serta urutan yang dilaksanakan. 6.4 PENDEKATAN INFERENSI DALAM SISTEM PAKAR Mekanisme Inferensi dalam Sistem Pakar menerapkan pengetahuan untuk solusi problema yang sebenarnya. Mekanisme inferensi merupakan pusat dari kemampuan untuk belajar dari pengalaman (proses belajar) sebab memungkinkan untuk men-generate fakta baru. Dan juga dapat melakukan verifikasi terhadap data-data yang ada, dengan melakukan deteksi terjadinya kesalahan dalam alur berpikir dan menuntun user untuk memodifikasi aturanaturan yang digunakan untuk mendapatkan goal. Penyusunan suatu mekanisme inferensi dengan pendekatan tertentu, melibatkan konversi dari representasi pengetahuan yang ada ke dalam bentuk pendekatan mekanisme inferensi yang dipilih. Misal konversi pohon keputusan (decision tree) ke dalam bentuk aturan IF-THEN. Ada beberapa pendekatan dalam menyusun struktur mekanisme inferensi.

72 BAB 6 SISTEM PAKAR 72 Gambar 2.7. Perekayasa Pengetahuan dengan Input-Output Sistem Pakar TEKNIK HEURISTIK Agar dapat memecahkan problema yang sangat sulit, seringkali harus dilakukan kompromi terhadap kecepatan dan sistematika serta membuat struktur pengendalian yang tidak menjamin didapatkannya jawaban yang terbaik namun optimal. Maka

73 BAB 6 SISTEM PAKAR 73 dipakailah teknik heuristik yaitu sebuah teknik yang mengembangkan efisiensi, namun dengan kemungkinan mengorbankan kelengkapan. Peran seorang pakar disini sangat diperlukan dalam memberikan suatu saran tentang sifat heuristik yang dipakai dalam pemecahan suatu problema. Heuristik menggunakan pengetahuan tentang sifat problema untuk mendapatkan solusi secara efisien. Heuristik serupa dengan pruning yang merupakan salah satu dari elemen dasar Kecerdasan Buatan INFERENSI BERBASIS ATURAN Aturan diekspresikan dalam bentuk kondisi IF-THEN. IF adalah kondisi yang telah ada, THEN adalah aksi atau tanggapan lain yang akan timbul. Aturan IF-THEN lebih dekat dengan cara manusia memecahkan masalahnya sehari-hari, daripada program yang menyatakan pengetahuannya dalam kode komputer tingkat rendah (low level). Terdapat dua pendekatan dalam menyusun mekanisme inferensi berbasis aturan, yaitu Forward Chaining dan Backward Chaining FORWARD CHAINING Digunakan untuk permasalahan yang telah diketahui keadaan awalnya (bentuk IF), dan ingin diketahui hal yang akan diakibatkan olehnya (bentuk THEN, atau konklusi). Contoh Forward Chaining sesuai dengan gambar : Awal fakta : A,B,C,D,E Aturan : 1. JIKA A DAN B MAKA F 2. JIKA C DAN D MAKA G 3. JIKA F DAN G MAKA H 4. JIKA E DAN H MAKA I

74 BAB 6 SISTEM PAKAR 74 Keterangan : Pertama-tama fakta A dan B diketahui, maka aturan 1 mengetahui F. Fakta C dan D diketahui, maka aturan 2 mengetahuai fakta G. Dari F dan G yang sudah diketahui maka aturan 3 mengetahui H. Aturan 4 mengetahui I karena H dan E sudah diketahui BACKWARD CHAINING Sebuah konklusi telah terjadi sebagai konsekuensi dari suatu problema, dan Backward Chaining berusaha untuk mencari penyebabnya, dan menemukan konklusi sebelumnya. Backward Chaining membantu dalam menangani permasalahan dimana konklusinya telah diketahui sebelumnya dan penyebab dari konklusi tersebut yang kemudian dicari. Intrepreter memeriksa aturan dari fakta yang dalam basis data, yaitu hipotesa. Kemudian menguji bagian THEN, yang maksudnya mencari yang sesuai. Jika ternyata cocok, maka basis data berfungsi sebagai pencatat kondisi yang diperbaharui mendukung kesimpulan yang sesuai. Proses berantai terus berlangsung sampai hipotesa terbukti kebenarannya. Lihat gambar 2.8. Keterangan : Gambar 2.8. Forward Chaining dan Backward Chaining

75 BAB 6 SISTEM PAKAR 75 Diberitahukan kepada sistem bahwa I ingin dibuktikan. Untuk mengetahui I, harus dibuktikan E dan H (aturan 4). Untuk membuktikan H, harus dibuktikan F dan G (aturan 3). Untuk membuktikan F, harus dibuktikan A dan B (aturan 1). Untuk membuktikan G, harus dibuktikan C dan D (aturan 2). Karena A,B,C,D,E telah dibuktikan, oleh karena itu I juga dapat dibuktikan PELACAKAN (SEARCHING) Pelacakan (searching) adalah suatu strategi untuk melakukan pencarian dalam ruang problema secara selektif, yang memandu proses pencarian di sepanjang jalur yang memiliki kemungkinan sukses paling besar. Teknik ini dipakai pada situasi dimana hasil yang eksak akan terlalu mahal atau tidak mungkin dilakukan, sehingga pemecahan yang diperoleh lebih bersifat cukup (sufficient) DEPTH FIRST SEARCH Pelacakan depth first search bermula dari node akar dan bergerak ke bawah untuk memeriksa dahulu semua anak atau turunan dari suatu cabang sebelum beralih ke cabang lain. Lihat gambar 2.9. Gambar 2.9. Pelacakan Depth First

76 BAB 6 SISTEM PAKAR 76 Pelacakan dimulai dari 1, diteruskan ke 2,3,4, gagal. Pelacakan kembali ke atas ke node 3, tidak ada jalan alternatif sehingga terpaksa dilakukan runut balik lagi ke node 2, diteruskan ke 5,6, gagal, runut balik ke 5,7, gagal. Runut balik tterus-menerus sampai tujuan tercapai BREADTH FIRST SEARCH Pelacakan Breadth First Search dilakukan terhadap semua cabang, baru diteruskan ke level yang lebih dalam. Lihat gambar Gambar Pelacakan Breadth First Pelacakan Breadth First dilakukan menurut urutan 1,2,3,4,5,6,7. Pelacakan berhenti pada node 7 karena node 7 merupakan tujuan. Pelacakan ini tidak memerlukan backtracking (runut balik). 6.6 FAKTOR KETIDAKPASTIAN (UNCERTAINTY FACTOR) Dalam kehidupan nyata, banyak hal yang belum dapat dipastikan 100% kebenarannya. Karena kata-kata bukan cara yang mutlak mewakili makna. Untuk menghadapi hal semacam itu sekarang sudah ada metode untuk menentukan faktor kepastian (confidence factor).

77 BAB 6 SISTEM PAKAR PROBABILITAS BAYES (BAYESIAN PROBABILITY) Pembahasan tentang Probabilitas Bayes dipusatkan pada "sistem pakar" untuk mengetahui kerusakan disk drive dari PC. Sebagai contoh, diasumsikan bahwa 2 kemungkinan yang didapat, yaitu : apakah disk drive tersebut cacat (perlu diperbaiki) atau baik keadaannya. Berdasarkan observasi didapat bahwa apabila sebuah disk drive berbunyi 8 kali dari 10 kali bunyi berarti disk drive tersebut cacat. Pada pokoknya apa yang disebut aturan berdasarkan asumsi untuk memperjelas aturan "confidence factor (cf)" untuk suatu aturan yang valid, maka : Aturan 1 : Jika selalu berbunyi = ya maka status disk drive = tidak sempurna (cf=0.8) Jadi suatu aturan mempunyai dua implikasi penting. Pertama menyatakan user mampu membedakan antara "normal" dan "suara aneh". Kedua bila confidence factor dinyatakan sebagai suatu probabilitas status disk drive tidak sempurna maka didapat harga : = = 0.2 = 20 %. Bila ini terjadi, maka didapat : Aturan 2 : Jika suara aneh = ya, maka status disk drive = baik (cf=0.2) Kemudian Bayes menggunakan suatu kepastian dan tidak berdasarkan teori kemungkinan, dengan teorinya yang disebut Bayesian Probabilities. Formula dari Bayesian Probabilities 1 adalah : p(c f) = [p(f C) * p(c)] / p(f) (7.1) dimana : p(f) = p(f C) * p(c) + p(f ~C) * p(~c) p(c f) = kemungkinan dari kesimpulan (C) yang menghasilkan fakta (f). p(f C) = kemungkinan dari fakta (f) yang menghasilkan kesimpulan (C). p(f) = kemungkinan dari fakta (f). 1 Ignizio, James P., "Introduction to Expert Systems : The Development of Rule-Based Expert System", University of Houston, McGraw-Hill, 1991, Hal. 199

78 BAB 6 SISTEM PAKAR 78 p(c) p(~c) = kemungkinan dari kesimpulan (C). = kemungkinan dari bukan hasil kesimpulan (C). p(f ~C) = kemungkinan dari fakta (f) yang menghasilkan bukan kesimpulan(c). Gambar Diagram Venn memperlihatkan fakta dan kesimpulan ( f, C,~C) Contoh soal : kesimpulan (C) fakta (f) p(c f) p(f) p(c) p(~c) = disk drive rusak. = suara aneh = kemungkinan disk drive rusak akibat suara aneh. = kemungkinan dari semua disk drive mengeluarkan suara. = kemungkinan dari semua disk drive yang rusak. = kemungkinan dari semua disk drive yang bagus. p(f ~C) = kemungkinan suara aneh dari disk drive yang bagus. Apabila sebuah PC terdapat disk drive yang rusak maka kemungkinan suara aneh terjadi adalah 90%. Jadi p(f C)=0.90. Lalu diasumsikan bahwa disk drive yang rusak adalah 2 % dari semua komputer. p(c)=0.02 maka p(~c)=0.98. Kemudian asumsi akan suara- suara yang keluar dari disk drive yang baik kira-kira 8 %. p(f ~C)=0.08. Maka : p(f) = 0.90 * * 0.98 = substitusi p(f) pada persamaan (7.1), didapat :

79 BAB 6 SISTEM PAKAR 79 p(c f) = [0.90 * 0.02] / = Dari contoh diatas maka dipertimbangkan kemungkinan PC bersuara menandakan disk drive cacat adalah 18.7 %. Hasil tersebut berbeda jauh dengan perhitungan dengan cara sebelumnya. Jadi hasil yang diperoleh dengan menggunakan Bayesian Probability lebih aktual dibandingkan dengan menggunakan hasil asumsi LOGIKA KABUR (FUZZY LOGIC) Logika kabur adalah salah satu cara menangani keadaan tertentu. Konsep kabur ini dikembangkan oleh Lotfi Zadeh. Jika premis dipenuhi maka harus diinputkan nilai kabur (fv). Besarnya nilai kabur (fv) yaitu: 0 < fv < 1. Jika premis dipenuhi maka nilai kabur (fv = 0). Beberapa aturan untuk memakai himpunan kabur (fuzzy sets) 2 adalah 1. Jika premis dihubungkan dengan logical AND maka digunakan nilai minimum dari nilai kabur (fv). 2. Jika premis dihubungkan dengan logical OR maka digunakan nilai maksimum dari nilai kabur (fv). 3. Jika premis mengandung pernyataan NOT maka nilai kabur adalah : fv(i)' = 1 - fv(i) Contoh : Aturan 1 : IF disk drive berisik = yes (fv = 0.8) AND format disket menimbulkan kerusakan = yes (fv = 0.3) THEN status disk drive rusak (cf = 0.9) Dengan memakai kalkulus kabur, yang dipilih adalah nilai minimum dari 0.8 dan 0.3. Jadi confidence factor untuk aturan 1 adalah 0.3 * 0.9 = Ibid, Ignizio, James P., 1991, Hal. 203

80 BAB 6 SISTEM PAKAR 80 Aturan 2 : IF disk drive berisik ketika disket dimasukkan = yes (fv = 0.9) OR disk drive berbunyi ketika disket dikeluarkan = yes (fv = 0.2) THEN status disk drive rusak (cf = 0.7) Dengan memakai kalkulus kabur, maka yang dipilih nilai maksimum dari 0.9 dan 0.2. Jadi confidence factor untuk aturan 2 adalah 0.9 * 0.7 = CONFIDENCE FACTOR UNION METHODS Confidence factor union methods adalah suatu alternatif pendekatan untuk menentukan confidence factor dari beberapa aturan. C(cf) = cf1 + cf2 - cf1 * cf2 dimana : C(cf) = Hasil akhir dari faktor kepastian (cf) cf1 = Nilai faktor kepastian (cf) dari aturan 1 cf2 = Nilai faktor kepastian (cf) dari aturan 2 Contoh : cf1 = 0.2 cf2 = 0.5 C(cf) = * 0.5 = 0.6 Bila ada aturan ke 3 dengan cf3 = 0.5 maka : C(cf) = * 0.5 = 0.8

81 BAB 6 SISTEM PAKAR RINGKASAN Sistem Pakar merupakan perangkat lunak yang digunakan untuk memecahkan masalah yang biasanya diselesaikan oleh seorang pakar. Mekanisme Inferensi dalam Sistem Pakar menerapkan pengetahuan untuk solusi problema yang sebenarnya. Ada dua macam cara pada mekanisme inferensi yaitu dengan menggunakan heuristik atau inferensi berbasis aturan. Pelacakan (searching) adalah suatu strategi untuk melakukan pencarian dalam ruang problema secara selektif, yang memandu proses pencarian di sepanjang jalur yang memiliki kemungkinan sukses paling besar. 6.8 LATIHAN 1) Apa yang dimaksud dengan Sistem Pakar? 2) Sebutkan karakteristik dari sebuah Sistem Pakar! 3) Sebutkan kelebihan dan kekurangan dari penggunaan Sistem Pakar dibanding dengan Pakar manusia di bidangnya! 4) Sebutkan pendekatan inferensi yang digunakan dalam Sistem Pakar dan jelaskan secara singkat! 5) Pada keadaan yang bagaimana metode pencarian merupakan solusi yang tepat untuk digunakan sebagai solusi? 6) Apa yang dimaksud dengan faktor ketidakpastian? Metode apa saja yang termasuk dalam Uncertainty Factor (Faktor ketidakpastian) dan jelaskan secara singkat!