Teknik Inferensi Ppt - Repository UNIKOM

  Definition 

  Inferensi adalah Proses yang digunakan dalam Sistem Pakar untuk menghasilkan informasi baru dari informasi yang telah diketahui

  Objectives _

  Inference engine merupakan modul yang berisi program tentang bagaimana mengendalikan proses reasoning.

  REASONING 

  Definisi : Proses bekerja dengan pengetahuan,

fakta dan strategi pemecahan masalah, untuk

mengambil suatu kesimpulan. (Berpikir dan _ mengambil kesimpulan) Metode Reasoning _

  Deductive Reasoning _ Inductive Reasoning _ Abductive Reasoning _ Analogical Reasoning

  Deductive Reasoning 

  Reasoning deduktif untuk mendeduksi informasi baru dari hubungan logika pada _ informasi yang telah diketahui.

  Contoh: _ Implikasi : Saya akan basah kuyup jika berdiri _ ditengah-tengah hujan deras (AB) Aksioma : Saya berdiri ditengah-tengah hujan deras (A)

  Inductive Reasoning 

  

Reasoning induktif untuk mengambil

  kesimpulan umum dari sejumlah fakta _ khusus tertentu.

  Contoh: _ Premis : Monyet di Kebun Binatang _ Ragunan makan pisang Premis : Monyet di Kebun Raya Bogor makan pisang

  Abductive Reasoning 

  Merupakan bentuk dari proses deduksi yang mengijinkan inferensi plausible. _ Plausible berarti bahwa konklusi mungkin bisa mengikuti informasi yang tersedia, tetapi juga bisa salah. _ Contoh: _

  Implikasi : Tanah menjadi basah jika terjadi hujan (AB) _ Aksioma : Tanah menjadi basah (B)

  _ Analogical Reasoning

  Analogi untuk membantu memahami situasi baru atau _ objek baru.

  Menggambar analogi antara 2 objek/situasi, kemudian melihat persamaan dan perbedaan untuk memandu _ proses reasoning.

  Contoh :

  

  Andi telah bekerja dengan baik

  

  Andi mendapat kenaikan jabatan

  Common Sense Reasoning 

  Melalui common sense (pengalaman), manusia belajar untuk memecahkan _ masalahnya secara efisien.

  Dalam sistem pakar, dapat dikategorikan sebagai Heuristic.

  Tentukan jenis reasoning berikut Soal 1 :

Major premise : I don’t jog when temperature

exceeds 90 degrees Minor premise : Today the temperature is 93(F)

  Conclusion : Therefore, I will not jog today Soal 2 : P1 : Jika dipanaskan, besi memuai.

  P2 : Jika dipanaskan, tembaga memuai. P3 : Jika dipanaskan, emas memuai. Soal 3 : Premis mayor : A akan diam jika marah Premis minor : Saat ini A marah Kesimpulan : A akan diam Soal 4 : Buat contoh analogical reasoning Soal 5 : a. My : Penyakit yang disebabkan oleh virus sulit diobati.

  Mn : Deman berdarah disebabkan oleh virus. K :

b. My : Semua petani yang baik adalah petani yang

  Reasoning dengan Logika Modus Ponen 

  Definisi: Rule dari logika yang menyatakan bahwa jika A adalah benar dan A implies B adalah juga

benar, maka dapat diasumsikan

bahwa B benar.

  Contoh: 

  A = Udara Cerah 

  B = Kita akan pergi ke pantai 

  

A→B = Jika udara cerah, maka

kita pergi ke pantai  kesimpulan berdasarkan Modus Ponen bahwa,

  Resolusi 

  Definisi: Strategi inferensi yang digunakan pada sistem logika untuk

menentukan kebenaran dari suatu

assertion (penegasan)

  

Metoda Resolusi mencoba untuk

membuktikan bahwa beberapa teorema atau ekspresi sebagai

proposisi P adalah TRUE, dengan

  

Proof by Refutation, suatu teknik

yang ingin membuktikan bahwa ⌐P tidak dapat menjadi TRUE.

   Resolvent : ekspresi baru yang

muncul dari metode resolusi yang

merupakan gabungan (union) dari aksioma yang ada dengan

  Misalnya: 

  Ada aksioma:

  (A→B) Λ (B→C) Λ ¬ (A→C)

  

Resolvent tersebut kemudian

ditambahkan pada list dari aksioma dan akan menghasilkan resolvent baru . Proses ini

  Mengubah suatu kalimat (konversi) ke bentuk CNF (Conjunctive Normal Form) _ Hilangkan implikasi dan ekuivalensi

• x  y menjadi ¬ x y ∨ _
• x ↔ y menjadi (¬ x y) (¬ y x) ∨ ∧ ∨ Kurangi lingkup semua negasi menjadi satu negasi saja • ¬ (¬ x) menjadi x
• ¬ (x y) menjadi (¬ x ¬ y) ∨ ∧ _
• ¬ (x y) menjadi (¬ x ¬ y) ∧ ∨ Gunakan aturan assosiatif dan distributif untuk mengkonversi menjadi conjuction of disjunction

  Ekspresi to CNF

  (A→B) Λ (B→C) Λ ¬ (A→C) ≡ (¬A v B) Λ (¬B v C) Λ ¬(¬A V C) A→B

  ¬A Λ¬C) De Morgan’s Law ≡ (¬A v B) Λ (¬B v C) Λ (¬

  Law of Double Negation

  ≡ (¬A v B) Λ (¬B v C) Λ (A Λ ¬C) ≡ (¬A v B) Λ (¬B v C) Λ A Λ ¬C Asosiatif Jadi bentuk CNF yang diperoleh adalah:

  Inverted Tree

  (¬AVB) ^ (¬BVC) A ¬C (¬AVC)

  resolved Resolvent adalah Falsum , yakni konstanta 

  ┴ proposisional yang selalu bernilai salah. Artinya jika nilai kebenaran dari premis-premis dan negasi kesimpulan-kesimpulan bernilai Salah (falsum), maka argumen pasti valid.

  _ Nonresolusi

  Pada resolusi, tidak ada pembedaan antara goals (tujuan), premises maupun rules. Semua dianggap sebagai aksioma dan diproses dengan rule resolusi _ untuk inferensi.

  Cara tersebut dapat menyebabkan kebingungan karena _ menjadi tidak jelas apa yang ingin dibuktikan Teknik Nonresolusi atau natural-deduction mencoba mengatasi hal tersebut dengan menyediakan beberapa statement sebagai goal-nya

  contoh kasus : 

  Akan dibuktikan apakah Jack suka tim sepakbola Arema-Malang. _ Asumsinya adalah bahwa _

  semua orang yang tinggal di Malang menyukai Arema. _

  Karenanya, _

  jika diketahui bahwa Jack tinggal di Malang,

  

Kasus tadi dapat direpresentasi menjadi:



  Antecedents: _ [Lives-Malang(Jack) Λ (Lives-Malang(X) → Likes-Arema(X)) Goals: → Likes-Arema(Jack)]:

   Pada contoh tersebut, dapat dibuktikan goal-nya jika (Lives-Malang(X) → Likes-Arema(X)), dan (Lives-Malang(Jack)) adalah BENAR.

  

Beberapa hukum dalam Inferensi

dengan Logika

  

Beberapa hukum dalam Inferensi

dengan Logika

  INFERENCING DENGAN RULES: FORWARD dan BACKWARD CHAINING _ Inferensi dengan rules merupakan implementasi dari modus ponen, yang direfleksikan dalam _ mekanisme search (pencarian).

  Firing a rule: Bilamana semua hipotesis pada rules (bagian “IF”) memberikan pernyataan _ BENAR Dapat mengecek semua rule pada knowledge _ base dalam arah forward maupun backward Proses pencarian berlanjut sampai tidak ada rule yang dapat digunakan (fire), atau sampai sebuah

BACKWARD CHAINING

  _ Pendekatan goal-driven, _ Jika suatu aplikasi menghasilkan tree yang sempit dan cukup dalam, maka gunakan backward

  chaining.

BACKWARD CHAINING

   Inductive

   Mundur /ke belakang, dari goal (noda tujuan) bergerak ke keadaan awal

   Diagnosa Disebabkan oleh apa ? Apa yang menjadi penyebab ?

FORWARD CHAINING

  _{ } Multipel inferensi

  Jika klausa premis sesuai dengan situasi (bernilai _ TRUE), maka proses akan meng-assert konklusi Forward Chaining adalah data driven karena inferensi dimulai dengan informasi yg tersedia dan baru konklusi diperoleh Forward-Chaining 

  Deductive 

  Maju / ke depan, dari keadaan awal menuju ke tujuan (goal) 

  Apa akibatnya ? 

  Mengakibatkan apa ? Backward atau Forward ?  Contoh 1.

  Anda ingin terbang dari Denver ke Tokyo dan tidak ada penerbangan langsung antara kedua kota tersebut. Jadi, anda harus menemukan connecting flight dari Denver yang berakhir di Tokyo.

   Contoh 2 Mobil anda mogok dan anda ingin mencari tahu mengapa mobil tersebut mogok ?

  Motor Inferensi Contoh: Ada 10 aturan yang tersimpan dalam basis pengetahuan. Fakta awal yang diberikan hanya: A A & E E (artinya: A dan E bernilai benar). Ingin dibuktikan apakah K bernilai benar No.

  No.

  Aturan Aturan

  R-1 R-1

  IF A & B THEN C R-2

  R-2

  IF C THEN D R-3

  R-3

  IF A & E THEN F

R-4 R-4

  R-5

  IF F & G THEN D R-6

  R-6

  IF G & E THEN H R-7

  R-7

  IF C & H THEN I R-8

  R-8

  IF I & A THEN J

  IF A THEN G R-5

  Motor Inferensi

• Forward Chaining

  Forward Chaining

• – Munculnya fakta baru pada saat inferensi:

  Motor Inferensi

• FORWARD CHAINING:

  R-10 R-9 J K

  R-4 Fakta

  G A R-5 R-3

  D F R-6

  H E

  Motor Inferensi

• BACKWARD CHAINING

BACKWARD CHAINING

  Fakta

• – Alur inferensi:

  R-10 A C J

  I K

R-1 R-7 R-8

  B H A Tidak diketahui

  

(a) Pertama: Gagal Contoh Kasus _ Sistem Pakar: Penasihat Keuangan _ Kasus : Seorang user ingin berkonsultasi apakah tepat

  _ jika dia berinvestasi pada stock IBM?

  Variabel-variabel yang digunakan: _ A = memiliki uang $10.000 untuk investasi _ B = berusia < 30 tahun _ C = tingkat pendidikan pada level college _ D = pendapatan minimum pertahun $40.000 _ E = investasi pada bidang Sekuritas (Asuransi) _ F = investasi pada saham pertumbuhan (growth stock)

  _ FAKTA YANG ADA:

  Diasumsikan si user (investor) memiliki data: _{ } Memiliki uang $10.000 (A TRUE) _ Berusia 25 tahun (B TRUE) Dia ingin meminta nasihat apakah tepat jika berinvestasi _ pada IBM stock?

  RULES _ R1 : IF seseorang memiliki uang $10.000 untuk berinvestasi AND dia berpendidikan pada level college _ THEN dia harus berinvestasi pada bidang sekuritas R2 : IF seseorang memiliki pendapatan pertahun min

  Rules : 

  R3 : IF seseorang berusia < 30 tahun AND dia berinvestasi pada bidang sekuritas THEN dia sebaiknya _ berinvestasi pada saham pertumbuhan

  R4 : IF seseorang berusia < 30 tahun dan > 22 tahun THEN dia berpendidikan _ college R5 : IF seseorang ingin berinvestasi Rule simplification: 

• – R1: IF A and C, THEN E

  

• – R2: IF D and C, THEN F

  

• – R3: IF B and E, THEN F

  

• – R4: IF B, THEN C

  

• – R5: IF F, THEN G

Solusi dengan Backward Chaining

Solusi dengan Forward Chaining

  

  Inferensi dengan rules dapat sangat efektif, tapi terdapat _ beberapa keterbatasan.

  Misalnya, perhatikan contoh berikut: _{ } Proposisi 1 : Semua burung dapat terbang _ Proposisi 2 : Burung Unta (Kasuari) adalah burung _ Konklusi : Burung Unta dapat terbang Konklusi tersebut adalah valid, tetapi dalam kenyataannya adalah salah, karena burung unta tidak Fungsi dari Inference Engine 1. _2. Fire the rules _3.

  Memberikan pertanyaan pada user Menambahkan jawaban pada Working Memory _4. (Blackboard) Mengambil fakta baru dari suatu rule (dari hasil _5. inferensi) Menambahkan fakta baru tersebut pada working _6.

  memory

  Mencocokan fakta pada working memory dengan rules

INFERENCE TREE (POHON INFERENSI)

  

Penggambaran secara skematik

dari proses inferensi

   Sama dengan decision tree

   Inferencing: tree traversal

   Advantage: Panduan untuk Explanations Why dan How