BAB 6 Pengetahuan dan Penalaran III (Representasi Pengetahuan)

 Rekayasa ontologi

Ontologi merupakan salah satu kajian filsafat yang paling kuno dan berasal dari Yunani. Studi tersebut membahas keberadaan sesuatu yang bersifat konkret. Tokoh Yunani yang memiliki pandangan yang bersifat ontologis dikenal seperti Thales, Plato, dan Aristoteles . Pada masanya, kebanyakan orang belum membedaan antara penampakan dengan kenyataan. Thales terkenal sebagai filsuf yang pernah sampai pada kesimpulan bahwa air merupakan substansi terdalam yang merupakan asal mula segala sesuatu. Namun yang lebih penting ialah pendiriannya bahwa mungkin sekali segala sesuatu itu berasal dari satu substansi belaka (sehingga sesuatu itu tidak bisa dianggap ada berdiri sendiri).

Hakikat kenyataan atau realitas memang bisa didekati ontologi dengan dua macam sudut pandang:

1. kuantitatif, yaitu dengan mempertanyakan apakah kenyataan itu tunggal atau jamak?

2. Kualitatif, yaitu dengan mempertanyakan apakah kenyataan (realitas) tersebut memiliki kualitas tertentu, seperti misalnya daun yang memiliki warna kehijauan, bunga mawar yang berbau harum.

Secara sederhana ontologi bisa dirumuskan sebagai ilmu yang mempelajari realitas atau kenyataan konkret secara kritis.

Beberapa aliran dalam bidang ontologi, yakni realisme, naturalisme, empirisme

Istilah istilah terpenting yang terkait dengan ontologi adalah:


· yang-ada (being)


· kenyataan/realitas (reality)


· eksistensi (existence)


· esensi (essence)


· substansi (substance)


· perubahan (change)


· tunggal (one)


· jamak (many)


Ontologi ini pantas dipelajari bagi orang yang ingin memahami secara menyeluruh tentang dunia ini dan berguna bagi studi ilmu-ilmu empiris (misalnya antropologi, sosiologi, ilmu kedokteran, ilmu budaya, fisika, ilmu teknik dan sebagainya).






 Pengkatagorian dan objek:komposisi fisik,pengukuran,substansi dan objek
· -Komposisi fisik


Komposisi adalah tata susunan yang menyangkut
keseimbangan, kesatuan, irama, dan keselarasan dalam
suatu karya seni rupa.jadi komposisi fisik adalah susunan kesatuan dari suatu bentuk fisik / yg dapat dilihat.


· -pengukuran 


Pengukuran adalah penentuan besaran, dimensi, atau kapasitas, biasanya terhadap suatu standar atau satuan ukur. Pengukuran juga dapat diartikan sebagai pemberian angka tehadap suatu atribut atau karakteristik tertentu yang dimiliki oleh seseorang, hal, atau objek tertentu menurut aturan atau formulasi yang jelas dan disepakati. Pengukuran dapat dilakukan pada apapun yang dibayangkan, namun dengan tingkat kompleksitas yang berbeda. Misalnya untuk mengukur tinggi, maka seseorang dapat mengukur dengan mudah karena objek yang diukur merupakan objek kasat mata dengan satuan yang sudah disepakati secara internasional. Namun hal ini akan berbeda jika objek yang diukur lebih abstrak seperti kecerdasan, kematangan, kejujuran, kepribadian, dan lain sebagainya sehingga untuk melakukan pengukuran diperlukan keterampilan dan keahlian tertentu.


· -substansi


Watak sebenarnya,inti dari sesuatu.


· -objek


Sesuatu yang sedang dibicarakan/dijadikan pokok acuan/target.



Aksi,situasi dan kejadian/event


· aksi 


Adalah tindakan yang dilakukan berdasarkan suatu kejadian.


· situasi


Keadaan sekitar yang sedang berlangsung.






Mental objek dan mental objek : pengetahuan dan kepercayaan,pengetahuan waktu dan aksi.
-Pengetahuan dan kepercayaan 


Pengetahuan adalah informasi yang diketahui atau disadari oleh manusia, atau pengetahuan adalah berbagai gejala yang ditemui dan diperoleh manusia melalui pengamatan indrawi. Pengetahuan akan muncul ketika orang menggunakan akal atau indranya untuk mengenali benda atau peristiwa tertentu yang belum pernah dilihat atau dirasakan. Misalnya, saat pertama kali orang makan cabai maka Dia akan tahu bagaimana rasa cabai itu, bentuknya, warnanya, atau bahkan akan bertanya-tanya apa zat-zat apa yang dikandungnya.


Pengetahuan empiris menekankan pada pengamatan dan pengalaman indrawi, sedangkan pengetahuan rasional didapatkan melalui akal budi. Misalnya, orang mengetahui bahwa cabai rasanya pedas karena dia pernah memakannya. Tidak mungkin hanya dengan dipikir-pikir orang itu akan mengetahui bahwa rasa cabai adalah pedas. Nemun, pernyataan 1+1=2 adalah hasil dari pemikiran (akal) manusia, bukan merupakan suatu pengamatan empiris.


Keyakinan adalah suatu sikap yang ditunjukkan manusia saat dia merasa cukup tahu dan menyimpulkan bahwa dirinya telah mencapai kebenaran. Maksudnya adalah orang akan merasa yakin kalau apa yang mereka ketahui adalah benar. Jadi, keyakinan terjadi setelah orang percaya adanya suatu kebenaran.


Mmenurut teori kebenaran sebagai kesesuaian, keyakinan adalah suatu pernyataan yang tidak disertai bukti yang nyata. Misalnya, petir disebabkan oleh amukan para dewa. Pernyataan ini tidak bisa dibuktikan, sehingga hanya bisa dikatakan sebagai suatu keyakinan. Sementara pernyataan petir disebabkan kerena adanya tabrakan antara awan yang bermuatan positif dan negative adalah suatu kebenaran, karena dapat dibuktikan. Sehingga pernyataan ini disebut sebagai pengetahuan.


Ada dua istilah yang berhubungan dengan keyakinan dan pengetahuan.


1. Magic power- (kekuatan magis) –> fenomena kekuatan gaib. Orang yang lebih percaya pada sesuatu yang aneh(karena tidak tahu sebabnya) sebagai kekuatan magis


2. Naturalisme, berarti sesuatu yang alami.


-pengetahuan waktu dan aksi










Sistem penalaran untuk pengkatagorian : jaringan semantik , logika deskripsi
-jaringan semnatik


Jaringan semantik adalah gambaran pengetahuan grafis yang menunjukkan hubungan antar berbagai objek, terdiri dari lingkaran-lingkaran yang dihubungkan dengan anak panah yang menunjukkan objek dan informasi tentang objek-objek tersebut. 


Dalam mata kuliah Pengantar Kecerdasan Buatan script merupakan representasi pengetahuan berdasarkan karakteristik yang sudah dikenal sebagai pengalaman-pengalaman yang menggambarkan urutan peristiwa.


Terdapat enam elemen script, yaitu :


1. Kondisi input, merupakan kondisi yang harus dipenuhi sebelum terjadi


2. Track, yaitu variasi kemungkinan yang terjadi


3. Prop, yaitu objek yang digunakan dalam suatu peristiwa


4. Role, yaitu peran dalam suatu peristiwa


5. Scene, yaitu adegan dalam suatu peristiwa


6. Hasil, yaitu kondisi setelah terjadinya urutan peristiwa






-deskripsi logika


deskripsi logika (deskripsi jamak logika) (logika) Salah satu keluarga bahasa representasi pengetahuan yang dapat digunakan untuk mewakili definisi konsep domain aplikasi (dikenal sebagai pengetahuan terminologi) dalam cara yang terstruktur dan formal dipahami dengan baik.


Penalaran dengan informasi default

Manusia memecahkan masalah melalui kombinasi antara fakta dan pengetahuan (knowledge). Penalaran (reasoning) adalah proses yang berhubungan dengan pengetahuan, fakta, dan strategi pemecahan masalah (problem solving) untuk mendapatkan konklusi/penyelesaian. Berbagai metode penalaran yang lazim adalah deduksi, induksi, abduktip, analogi, dan akal sehat, berikut ini penjelasan singkatnya.


Deduksi (deduction)


Manusia menggunakan deduksi untuk mendapatkan informasi baru dari informasi yang sudah diketahui (pengetahuan) yang ada relasinya. Penalaran deduksi menggunakan fakta-fakta dari masalah yang ada dan pengetahuan umum yang sesuai yang pada umumnya berbentuk aturan (rules) atau implikasi (implications), jadi dari hal yang umum, dikenakan pada hal yang khusus, model deduksi adalah:


Fakta + Rule -> Efek dengan rule dalam bentuk:


If <cause/premise> then <effect/conclusion>


Jika <sebab/premis> Maka <akibat/konklusi>


Sebagai contoh:


Aturan/implikasi: Jika saya berdiri di hujan, maka saya akan basah.


Fakta/premis : saya berdiri di hujan


Konklusi : saya akan basah


Penalaran deduksi sangat menarik secara logika dan merupakan teknik solusi masalah yang paling umum digunakan oleh manusia. Aturan inferensi (penyimpulan) yang disebut modus ponens adalah bentuk dasar dari penalaran deduksi dengan formula sbb.:


Jika A adalah benar, dan Jika A maka B adalah benar, maka B adalah benar


Induksi (Induction)


Manusia menggunakan induksi untuk mendapatkan kesimpulan umum (general conclusion) dari sekumpulan/himpunan fakta melalui proses generalisasi. Ini bagaikan transisi dari jumlah sedikit ke semua. Model induksi adalah:


Cause + Effect -> Rule


Proses induksi dijelaskan oleh Firebaugh (1988) sbb.:


Untuk suatu himpunan objek X = {a,b,c,d, …}, jika sifat P adalah benar untuk a, dan jika sifat P adalah benar untuk b, dan jika sifat P adalah benar untuk c, …, maka sifat P adalah benar untuk semua X.


Sebagai contoh:


Fakta/premis : aluminium dipanaskan memuai


Fakta/premis : besi dipanaskan memuai


Fakta/premis : tembaga dipanaskan memuai


Konklusi : secara umum, semua besi bila dipanaskan akan memuai


Abduktip (Abductive)


Abduktip adalah bentuk deduksi yang memungkinkan menarik kesimpulan yang bersifat “plausible”. Plausible (masuk akal) adalah konklusi yang ditarik dari informasi yang tersedia, namun ada kemungkinan konklusi itu salah, jadi model abduktip adalah:


Jika B adalah benar, dan Jika A maka B adalah benar, maka A adalah benar?


Atau effect + rule -> cause


Sebagai contoh:


Aturan : Tanah basah jika hari hujan.


Fakta : Tanah basah.


Konklusi : Hari hujan?


Jadi, diberikan fakta satu-satunya bahwa tanah basah, penyimpulan plausible menghasilkan konklusi hari hujan. Padahal, konklusi ini bisa salah, karena ada banyak hal yang menyebabkan tanah basah, misalnya seseorang siram-siram tanaman. Abduktip, sebagai salah satu metode penalaran, sering dipakai oleh dokter dalam mendiagnose pasien, maka diagnose dapat saja salah.


Analogi


Manusia membentuk model mental tentang konsep melalui pengalaman. Manusia menggunakan model ini melalui penalaran analogi untuk membantu memahami suatu masalah/situasi. Mereka lalu menarik analogi diantara masalah dan model, mencari kesamaan dan perbedaan untuk dapat menyimpulkan.


Sebagai contoh:


Misalkan seorang dokter yang sudah puluhan tahun praktek, maka pengalamannya dalam bentuk kasus-kasus sudah sedemikian banyaknya. Bila kasus-kasus tersebut dapat disimpan secara cerdik dalam database kasus, maka dapat dipergunakan untuk menyelesaikan masalah baru bagi pasien baru tanpa dokter itu hadir (otomasi). Pasien baru memasukan karakter berikut data-data (keluhan) dari sakitnya, kemudian sistem mencari kasus pasien lama yang serupa keluhannya untuk ditampilkan solusinya, yaitu obat beserta dosisnya. Pengalaman adalah guru terbaik, maka pengalaman perlu disimpan secara cerdik untuk memecahkan persoalan baru yang mirip!


Akal Sehat (Common-sense)


Lewat pengalaman, manusia belajar memecahkan persoalan secara effisien. Mereka menggunakan akal sehat untuk dengan cepat menarik kesimpulan. Akal sehat lebih cenderung berdasar pada kebijakan-kebijakan (judgments) yang baik daripada logika yang eksak. Contoh akal sehat adalah: Di suatu bengkel ditemukan suara klik-klik-klik dalam mesin sepeda motor, seorang montir yang berpengalaman, tanpa membongkar mesinnya, langsung dapat menyimpulkan bahwa ring piston pada silinder mesin itu perlu diganti. Pengetahuan akal sehat ini diperoleh dari pengalamannya mengerjakan banyak sepeda motor selama bertahun-tahun. Jenis pengetahuan seperti ini disebut sebagai heuristik (heuristic) atau rule-of-thumb. Akal sehat tidak menjamin ditemukannya solusi, namun ia menjamin kecepatan menemukan solusi.


Penalaran Tidak Monoton (non-monotonic)


Penalaran pada suatu masalah pada umumnya menggunakan informasi yang statis, artinya selama melakukan penyelesaian masalah, keadaan (nilai benar atau salah) bermacam fakta dianggap tetap konstan. Penalaran semacam ini disebut sebagai penalaran monoton (monotonic reasoning). Dalam beberapa masalah, ditemukan bahwa keadaan beberapa fakta (variabel) bersifat dinamis, sebagai ilustrasi adalah aturan sbb.:


IF Angin berhembus


THEN Kursi goyang akan berayun


Kemudian coba amati kejadian berikut, lalu apa yang terjadi dengan aturan diatas:


Hei, ada angin topan! -> ada Angin berhembus -> Kursi berayun


Seiring berlalunya angin topan, kita berharap kursi berayun. Namun, saat angin topan telah berlalu, kita berharap bahwa kursi sudah berhenti berayun. Namun sistem yang menggunakan penalaran monoton akan tetap menganggap bahwa kursi tetap berayun!


Manusia dengan ke enam inderanya tidak merasa sulit untuk mengikuti perubahan status informasi variabel yang dinamis. Bila terjadi perubahan yang dinamis, mereka dengan mudah menyesuaikan diri. Gaya penalaran semacam ini disebut penalaran yang tidak monoton. Untuk bidang AI, seperti expert system, dibutuhkan suatu sistem untuk memelihara kebenaran yang dinamis bila ingin melakukan penalaran yang tidak monoton.






Sumber : 

https://anggaradelta.blogspot.co.id/2017/10/pengetahuan-dan-penalaran-representasi.html?showComment=1509023478774#c1867845727003744761

https://id.wikipedia.org/wiki/Ontologi


https://id.wikipedia.org/wiki/Pengukuran


http://handikap60.blogspot.co.id/2013/10/pengertian-proporsi-komposisi.html


http://gadung-gadung.blogspot.co.id/2010/01/pengetahuan-dan-keyakinan-beda-dan.html


https://ariesre.wordpress.com/2010/10/25/jaringan-sematik-dan-script/


http://pbsabn.lecture.ub.ac.id/2012/05/penalaran-manusia/

BAB 5 Pengetahuan dan Penalaran II. Logika Orde Pertama (First-Order Logic)

 Pengenalan logika orde pertama

First order logic adalah sebuah bahasa formal yang digunakan di ilmu matematika, philosophy, bahasa dan ilmu computer. Disebut juga kalkulus predikat, merupakan logika yang digunakan untuk merepresentasikan masalah yang tidak dapat direpresentasikan dengan menggunakan proposisi. Logika predikat dapat memberikan representasi fakat-fakta sebagai suatu pernyataan yang mapan (well form). Kalkulus predikat bisa menganalisakan kalimat-kalimat ke dalam subjek dan argumen dalam berbagai cara yang berbeda-beda, yang pada akhirnya kalkulus predikat bisa digunakan untuk memecahkan problem of multiple generality (masalah dalam berbagai keadaan umum) yang telah membingungkan sebagian besar ahli-ahli logika abad pertengahan. 

Syntax FOL: Elemen-elemen dasar

Elemen-elemen dasar FOL:

Constants : KingJohn, 2, UB, ITS, UI, Malang, Depok , . . .

Predicates : Brother , >, Loves, Membenci , Mengajar , . . .

Functions : Sqrt , LeftLegOf , Ayah, . . .

Variables : x , y , a, b, . . .

Connectives : ∧ ∨ ¬ ⇒ ⇔

Equality :        =

Quantifiers : ∀ ∃

Semantics FOL : truth & model

Sama halnya dengan. Proposisi Logic (PL), sebuah kalimat FOL bisa juga dikatakan true terhadap sebuah model.

Namun, sebuah kalimat bisa diinterpretasikan banyak cara dalam sebuah model.

Model berisi :

Objects : elemen-elemen di dalam dunia (domain elements).

Relations : hubungan antara elemen-elemen tersebut.

Sebuah interpretasi mendefinisikan referent (“yang dipetakan”)

Constant symbols → objects

Predicate symbols → relations

Function symbols → functional relations

Kemungkinan model & interpretasi

Entailment , validity , satisfiability , dll. Didefinisikan untuk semua kemungkinan interpretasi dari semua kemungkinan model!

Kalau mau dijabarkan semua kemungkinannya: For each number of domain elements n from 1 to ∞ For each k -ary predicate Pk in the vocabulary For each possible k -ary relation on n objects For each constant symbol C in the vocabulary For each choice of referent for C from n objects . . .

Menentukan entailment berdasarkan truth-table? mustahil!

Biasanya ada satu interpretasi yang “dimaksudkan” → intended interpretation.

Kamliat Atom

Atomic sentence = predicate (term1,...,termn)      or term1 = term2

Term             = function (term1,...,termn)      or constant or variable 

• Misal: Brother(KingJohn,RichardTheLionheart) > (Length(LeftLegOf(Richard)), Length(LeftLegOf(KingJohn)

Kalimat Komplek

• Kalimat komplek dibuat dari kalimat atommenggunakan konektivitas S, S1  S2, S1  S2, S1  S2, S1  S2,

Misal: Sibling(KingJohn,Richard)  Sibling(Richard,KingJohn)       >(1,2)  ≤ (1,2)      >(1,2)   >(1,2) 

Universal quantification

Syntax: Jika S kalimat, ∀ variables S adalah kalimat

Contoh:

“Semua mahasiswa PTIIK UB adalah Genius”

∀ x mahasiswa(x , PTIIKUB) ⇒ Genius (x)

Semantics: ∀ x S bernilai true dalam model m di bawah interpretasi iff S bernilai true untuk semua kemungkinan referent dari x (setiap object di dalam m). Dengan kata lain, ∀ x S ≡ conjunction dari semua instantiation S: (mahasiswa(Ani , PTIIKUB) ⇒ Genius (Ani ))∧ (mahasiswa(Anto, PTIIKUB) ⇒ Genius (Anto))∧ .

. (mahasiswa(Zaenal , PTIIKUB) ⇒ Genius (Zaenal))∧

(mahasiswa(Zakky , PTIIKUB) ⇒ Genius (Zakky ))

Biasanya, ⇒ adalah operator /connective yang digunakan dengan ∀.

Masalah yang sering terjadi : menggunakan ∧ sebagai connective untuk ∀ : ∀ x mahasiswa(x , PTIIKUB) ∧ Genius (x)

Kalimat ini berarti “Semua orang adalah mahasiswa PTIIKUB dan Genius”.

Existential quantification

Syntax : Jika S kalimat, ∃ variable S adalah kalimat

Contoh:

“Ada mahasiswa Gunadarma yang pintar”

∃ x mahasiswa(x , Gundarma ) ∧ pintar (x)

Semantics : ∃ x S bernilai true dalam model m di bawah interpretasi iff S bernilai true untuk setidaknya 1 kemungkinan referent dari x (sebuah object di dalam m). Dengan kata lain, ∃ x S ≡ disjunction dari semua instantiation S :

(mahasiswa(Ani , Gundar) ∧ pintar (Ani))∨

(mahasiswa(Anto, Gundar) ∧ pintar (Anto))∨

(mahasiswa(Zaenal , Gundar) ∧ pintar (Zaenal))∨

(mahasiswa(Zakky , Gundar) ∧ pintar (Zakky))

Biasanya, ∧ adalah operator /connective yang digunakan dengan ∃.

Masalah yang sering terjadi : menggunakan ⇒ sebagai connective untuk ∃ : ∃ x mahasiswa(x , Gundar ) ⇒ pintar (x )

Kalimat ini true jika ada setidaknya 1 orang (object) yang tidak kuliah di Gunadarma!

Equality

Kalimat term1 = term2 bernilai true di bawah sebuah interpretasi iff term1 and term2 me-refer ke object yang sama.

Contoh:

Ayah(Anto) = Abdul adalah satisfiable

Anto = Abdul juga satisfiable!

Anto = Anto adalah valid.

Bisa digunakan dengan negasi untuk membedakan dua term: ∃ x , y Mencintai (Anto, x ) ∧ Mencintai(Anto, y ) ∧¬(x = y ) (Anto mendua!)

Definisi Sibling: ∀ x , y Sibling(x , y ) ⇔ (¬(x = y )

Mengubah inferensi order pertama menjadi inferensi proposisi

Inferensi pada logika proposisi dapat dilakukan dengan menggunakan resolusi. RESOLUSI adalah suatu aturan untuk melakukan inferensi yg dapat berjalan secara efisien dalam suatu bentuk khusus yg disebut  Conjunctive Normal Form (CNF).

•         CNF ini memiliki ciri-ciri sebagai berikut :

–        Setiap kalimat merupakan disjungsi literal

–        Semua kalimat terkonjungsi secara implisit

•         Dua atau lebih proposisi dapat digabungkan dengan menggunakan operator logika :

            a. Negasi         : Ø (NOT)

            b. Konjungsi    : Ù (AND)

            c. Disjungsi     : Ú (OR)

            d. Implikasi     : ® (IF-THEN)

            e. Ekuivalen    : Û

•         Operator NOT  : digunakan untuk memberikan nilai negasi (lawan) dari pernyataan yang telah ada.

PENGERTIAN RESOLUSI

Resolusi merupakan kaidah inferensi utama dalam bahasa PROLOG.PROLOG menggunakan notasi “quantifier-free”.PROLOG didasarakan pada logika predikat urutan pertama.Sebelum resolusi diaplikasikan, wff harus berada dalam bentuk normal atau standard.

Tiga tipe utama bentuk normal :

1.         conjunctive normal form

2.         clausal form

3.         subset Horn clause.

            Dari pengertian dasar logika matematika tersebut,teknik resolusi tersusun secara bertahap sampai dengan proses resolve, yakni menghapus literal berpasangan yang asa pada setiap klausa untuk menghasilkan resolvent atau klausa hasil proses resolve. Dan dilakukan secara terus menerus sampai menghasilkan falsum.

Resolusi diaplikasikan ke dalam bentuk normal wff dengan menghubungkan seluruh elemen dan quantifier yang dieliminasi. Sebelum resolusi dapat diterapkan, wff harus diletakkan dalam bentuk casual. Tujuan dasar resolusi adalah membuat infer klausa baru yang disebut “revolvent” dari dua klausa lain yang disebut parent clause.

SEJARAH RESOLUSI

Teknik resolusi diperkenalkan oleh J.A.Robinson pada tahun 1965.Teknik ini sebenarnya tidak dapat digunakan dengan mudah karena harus melalui beberapa tahap  dan setiap tahap tersebut memerlukan pengertian-pengertian dasar dari logika matemati Sebelum resolusi diterapkan, wff harus berada dalam keadaan normal (bentuk standar) yaitu hanya menggunakan V.

Rangkaian Forward dan backward

Forward chaining merupakan metode inferensi yang melakukan penalaran dari suatu masalah kepada solusinya. Jika klausa premis sesuai dengan situasi (bernilai TRUE), maka proses akan menyatakan konklusi. Forward chaining adalah data-driven karena inferensi dimulai dengan informasi yang tersedia dan baru konklusi diperoleh. Jika suatu aplikasi menghasilkan tree yang lebar dan tidak dalam, maka gunakan forward chaining.

Backward Chaining Menggunakan pendekatan goal-driven, dimulai dari harapan apa yang akan terjadi (hipotesis) dan kemudian mencari bukti yang mendukung (atau berlawanan) dengan harapan kita. Sering hal ini memerlukan perumusan dan pengujian hipotesis sementara. Jika suatu aplikasi menghasilkan tree yang sempit dan cukup dalam, maka gunakan backward chaining.

Unifikasi

Unifikasi adalah usaha untuk mencoba membuat dua ekspresi menjadi identik (mempersatukan keduanya) dengan mencari substitusi-substitusi tertentu untuk mengikuti peubah-peubah dalam ekspresi mereka tersebut. Unifikasi merupakan suatu prosedur sistematik untuk memperoleh peubah-peubah instan dalam wffs. Ketika nilai kebenaran predikat adalah sebuah fungsi dari nilai-nilai yang diasumsikan dengan argumen mereka, keinstanan terkontrol dari nilai-nilai selanjutnya yang menyediakan cara memvalidasi nilai-nilai kebenaran pernyataan yang berisi predikat. Unifikasi merupakan dasar atas kebanyakan strategi inferensi dalam Kecerdasan Buatan. Sedangkan dasar dari unifikasi adalah substitusi.

Sumber:
http://otnaites.blogspot.co.id/2015/10/logika-first-order.html

http://slideplayer.info/slide/2919592/https://www.google.co.id/url?                          sa=t&rct=j&q=&esrc=s&source=web&cd=2&cad=rja&uact=8&ved=0ahUKEwizu9vswvrWAhXLGpQKHT62A5AQFgguMAE&url=http%3A%2F%2Fshare.its.ac.id%2Fpluginfile.php%2F1370%2Fmod_resource%2Fcontent%2F1%2F9._First_Order_Logic.pdf&usg=AOvVaw3e59T03
uvLJtbWfQymyxD7

http://denytrihartadi.blogspot.co.id/2017/01/inferensi-dalam-logika-order-pertama.html
http://afifrahma.blogspot.co.id/2013/01/resolusi-untuk-logika-predikat.html
http://bgustiardi.blogspot.co.id/2017/10/pengetahuan-dan-penalaran-logika-
orde.html#.WeiSctR94sY

BAB 4 Pengetahuan dan Penalaran I. Agen Logika

Pengetahuan berbasis agen

 Agen Logika

Agen Berbasis Pengetahuan, Knowledge Base (KB) menyatakan apa yang “diketahui” oleh si agent Pendekatan deklaratif membangun agent: “beritahu” informasi yang relevan, simpan dalam KB. Agen dapat ditanya (atau bertanya diri sendiri) apa yang sebaiknya dilakukan berdasarkan KB. Maka sebuah agen berbasis pengetahuan harus bisa mereprentasikan world, state, action, dst. Menerima informasi baru (dan meng-update representasinya). Menyimpulkan pengetahuan lain yang tidak eksplisit (hidden property). q Menyimpulkan action apa yang perlu diambil.

Agen Berbasis Pengetahuan atau Knowledge Base (KB) merupakan Himpunan representasi fakta yang diketahui tentang lingkungannya. Tiap fakta disebut sebagai sentence. Fakta tersebut dinyatakan dalam bahasa formal sehingga bisa diolah, menambahkan sentence baru ke KB. Inference Engine merupakan menentukan fakta baru yang dapat diturunkan dari pengetahuan yang sudah ada dalam KB. 

Agen Berbasis Pengetahuan dalam representasi, agent dapat dipandang dari knowledge level. Apa saja informasi yang diketahui? Misal sebuah robot “mengetahui” bahwa gedung B di antara gedung A dan gedung C. Agent dapat dipandang dari implementation level Bagaimana representasi informasi yang diketahuinya? Logical sentence di_antara(gdB, gdA, gdC). Natural language “Gedung B ada di antara gedung A dan gedung C”. 

Agen Berbasis Pengetahuan, pilihan representasi berpengaruh terhadap apa yang bisa dilakukan inference engine. Pada pendekatan deklaratif programmer memberitahu agent informasi tentang environment. Kalau informasi kurang, agen bisa melengkapinya sendiri. Jika dibandingkan dengan pendekatan prosedural programmer secara eksplisit memrogram agen untuk bertindak. Sehingga bagaimana jika program tidak benar, 

maka akan besar kemungkinan menyebabkan kesalahan.

Agen Berbasis Pengetahuan, permasalahannya adalah bagaimana representasi yang tepat, sehingga ada dua hal yang harus diperhatikan expressive bisa menyatakan fakta tentang environment, Tractable bisa mengolah/ memproses inference engine (dengan cepat). Knowledge merupakan power atau kekuatan dari pemrograman secara deklaratif.

LOGIKA

logika adalah istilah yang dibentuk dari kata logikosyang berasal dari kata benda logos. Kata logos, berarti sesuatu yang diutarakan, suatu pertimbangan akal (pikiran), kata, percakapan, atau ungkapan lewat bahasa. Kata logikos, berarti mengenal kata, mengenai percakapan atau yang berkenaan dengan ungkapan lewat bahasa. Dengan demikian, dapatlah dikatan bahwa logika adalah suatu pertimbangan akal atau pikiran yang diutrakan lewat kata dan dinyatakan dalam bahasa.

Logika Proposi

ogika merupakan studi penalaran yang secara khusus membahas apakah penalaran tersebut benar. Logika berfokus pada hubungan antara pernyataan- pernyataan yang dipertentangkan dengan isi pernyataan tertentu.

Metode logika digunakan dalam matematika untuk membuktikan teorema dan dalam ilmu computer untuk membuktukan bahwa program-program berjalan seperti yang diharapkan.

Kalimat yang bia benar bisa salah, tetapi tidak sekaligus keduanya, disebutProposisi (kalimat terbuka). Proposisi buasanya dinyatakan sebagai kalimat berita (bukan kalimat tanya, kalimat perintah, dan sebagainya).

Proposisi merupakan bangunan dasar dari teori logika. Biasanya proposisi dinyatakan dengan huruf kecil seperti p, q, r dan untuk mengkombinasikan Proposisi dengan proposisi lain, digunakan kata hubung seperti dan, atau. Kombinasi dari proposisi-proposisi disebut sebagai Proposisi Majemuk.

1.     Sintaks

Sintaks dalam suatu bahasa adalah sekumpulan aturan baku tentang bagaimana elemen-eleman bahasa tersusun secara gramatikal. Sintaks menspesifikasikan bagaimana susunan setiap kata dituliskan kedalam suatu kalimat.

2.    Semantik

Semantik dalam suatu bahasa adalah  menekankan pada makna atau arti yang terkandung dalam suatu pernyataan atau kalimat.

3.    INFERENSI

Misalkan kita diberikan beberapa proposisi, kita dapat menarik kesimpulan baru dari deret proposisi tersebut. Proses penarikan kesimpulan dari beberapa proposisi tersebut disebut sebagai inferensi (inference). Di dalam matematika distrik terdapat sejumlah kaidah inferensi, beberapa diantaranya adalah :

·         Modus Ponen atau law of detachment  menyatakan bahwa jika hipotesis p dan pada implikasi p -> q benar, maka konklusi q benar. 

·         Modus Tollen  kaidah ini didasarkan pada tautologi [~q ^ (p -> q) ] -> ~p.

·         Silogisme Hipotesis kaidah ini didasarkan pada tautologi [(p -> q) ^ (q -> r)] -> (p -> r).

·         Silogisme Disjungtif kaidah ini didasarkan pada tautologi [(p v q) ^ ~p] -> q.

·         Simplifikasi  kaidah ini didasarkan pada tautologi (p ^ q) -> p, yang dalam hal ini, p dan q adalah hipotesis, sedangkan p adalah konklusi.

·         Penjumlahan kaidah ini didasarkan pada tautologi p -> (p v q) .

·         Konjungsi kaidah ini didasarkan pada tautologi ((p) ^ (q)) -> (p ^ q) .

4.     Ekuivalen (Equivalence)

 Proposisi yang bernilai benar jika proposisi p dan q memiliki nilai kebenaran yang sama.Di dalam matematika diskrit ini secara simbolik, proposisi biasanya dilambangkan dengan huruf kecil seperti p, q, r  dan seperti ini permisalannya :

p : 6 adalah bilangan genap.

q : Soekarno adalah Presiden Indonesia yang pertama. 

r :  3+3 = 6

Untuk mendefinisikan p sebagai preposisi "6 adalah bilangan genap" , begitu dengan q dan r.

5.    Validitas dan Satisfiability

Dalam logika matematika , satisfiability dan validitas adalah konsep dasar dari semantik . Sebuah rumus adalah satisfiable apakah mungkin untuk menemukan interpretasi (Model ) yang membuat formula yang benar. Sebuah formula berlaku jika semua interpretasi membuat formula yang benar. Kebalikan dari konsep-konsep ini unsatisfiabilitydan ketidakabsahan, yaitu, formula adalah unsatisfiable jika tidak ada interpretasi membuat formula yang benar, dan tidak sah jika beberapa penafsiran tersebut membuat formula palsu. Keempat konsep terkait satu sama lain dengan cara yang persis analog dengan Aristoteles 's persegi oposisi .

 Pola penalaran (reasoning pattern) pada logika proposisi

Penalaran yaitu proses berfikir yang bertolak dari pengamatan indera atau observasi empirik yang menghasilkan sejumlah pengertian dan proposisi sekaligus. Penalaran erat kaitannya dengan penyimpulan, argumen dan bukti. Penyimpulamn dalam arti yang sebenarnya tidak mencakup aktivitas menemukan proposisi-proposisi disusun dalam premis., akan tetapi hanya memakai hubungan proposisi-proposisi dalam premis dan menentukan konklusinya.

1.      Resolusi

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 memberikan sejumlahaksiomadarimasalahtersebut sejumlah aksioma dari masalah tersebut.

2.    Backward & Forward chaining

Backward Chaining  merupakan Pendekatan goal-driven, dimulai dari ekspektasi apa yang diinginkan terjadi (hipotesis), kemudian mengecek pada sebab-sebab yang mendukung (ataupun pygg(p kontradiktif) dari ekspektasi tersebut. Jika suatu aplikasi menghasilkan tree yang sempit dan cukupdalammakagunakanbackwardchaining cukup dalam, maka gunakan backward chaining.

Forward chaining Merupakan grup dari multipel inferensi yang melakukan pencarian dari suatu masalah kepada solusinya. Jika klausa premis sesuai dengan situasi (bernilai TRUE), maka prosesakanmengassertkonklusi proses akan meng-assert konklusi. Forward Chaining adalah data driven karena inferensi dimulai  dengan informasi yg tersedia dan baru konklusi diperoleh.

Inferensi proporsi yang efektif

1.     Algoritma Backtracking

Algoritma backtracking merupakan salah satu metode pemecahan masalah yang termasuk dalam strategi yang berbasis pencarian pada ruang status. Algoritma backtracking bekerja secara rekursif dan melakukan pencarian solusi persoalan secara sistematis pada semua kemungkinan solusi yang ada. Oleh karena algoritma ini berbasis pada algoritma Depth-First Search (DFS), maka pencarian solusi dilakukan dengan menelusuri struktur berbentuk pohon berakar secara preorder. Algoritma backtracking merupakan bentuk tipikal  dari algoritma rekursif.Saat ini algoritma backtracking banyak diterapkan untuk program games (seperti permainan tic-tac-toe, menemukan jalan keluar dalam sebuah labirin, catur, dll) dan masalah-masalah  pada bidang kecerdasan buatan (artificial intelligence).

2.    Algoritma Pencarian Lokal

Pencarian lokal berusaha untuk melakukan optimasi, misalnya dengan teknik Hill Climbing. Teknik Hill Climbing dapat digunakan untuk memecahkan persoalan yang memiliki banyak alternatif solusi untuk kemudian memilih solusi yang terbaik. Cara kerjanya dimulai dengan memilih solusi acak, kemudian dilakukan perubahan sedikit demi sedikit, setiap perubahan menghasilkan solusi yang lebih baik. Saat perubahan yang dilakukan tidak lagi mendapatkan solusi yang lebih baik, algoritma Hill Climbing akan berhenti mencari dan menentukan solusi terakhir sebagai solusi yang optimal. Contoh penggunaan Hill Climbing pada kecerdasan buatan adalah pencarian rute terbaik, dari berbagai kemungkinan rute yang ada.

Agen berbasis logika proposisi

Agen logika merupakan agen yang memiliki kemampuan bernalar secara logika. Ketika beberapa solusi tidak secara eksplisit diketahui, maka diperlukan suatu agen berbasis logika. Logika sebagai Bahasa Representasi Pengetahuan memiliki kemampuan untuk merepresentasikan fakta sedemikian sehingga dapat menarik kesimpulan (fakta baru, jawaban). Sedangkan pengetahuan merupakan komponen yang penting, sehingga terdapat perbedaan jika diterapkan pada dua agent, yakni problem solving agent dan knowledge-based agent.

Perbedaan dua agent, problem solving agent dan knowledge-based agent. Problem solving agent memilih solusi di antara kemungkinan yang ada. Apa yang ia “ketahui” tentang dunia, pengetahuannya tidak berkembang untuk mencapai problem solution (initial state, successor function, goal test) tetapi jika Knowledge-based agent lebih “pintar”. Ia “mengetahui” hal-hal tentang dunia dan dapat melakukan reasoning (berpikir, bernalar) mengenai Hal-hal yang tidak diketahui sebelumnya (imprefect/ partial information). Tindakan yang paling baik untuk diambil (best action).

  

Sumber :

http://raisnugrohop.blogspot.co.id/2017/

http://yogipratama97.blogspot.co.id/2016/10/pengenalan-logical-agents.html

http://ctatyasoctavianti.blogspot.co.id/2012/09/matematika-diskrit-logika.html

http://mochblack.blogspot.co.id/

http://raodhotulm.blogspot.co.id/2014/04/logika-dan-penalaran.html

https://www.google.co.id/url?sa=t&rct=j&q=&esrc=s&source=web&cd=2&cad=rja&uact=8&ved=0ahUKEwikudT9pObWAhXMfbwKHXYDBN0QFggrMAE&url=http%3A%2F%2Fblog.stikom.edu%2Fanjik%2Ffiles%2F2010%2F08%2Fteknik-inferensi.pdf&usg=AOvVaw1NW0-ZoOYxXIjVgpwxc14n

BAB 3 PENYELESAIAN MASALAH II. Pencarian Berbentuk /heuristik search dan Eksplorasi

 Pencarian  Berbentuk /heuristik search 

Heuristic Search merupakan metode pencarian yang memperhatikan nilai heuristik (nilai perkiraan).

     teknik pencarian heuristik (heuristic searching) merupakan suatu strategi untuk melakukan proses pencarian ruang keadaan (state space) suatu problema secara selektif, yang memandu proses pencarian yang kita lakukan di sepanjang jalur yang memiliki kemungkinan sukses paling besar, dan mengesampingkan usaha yang bodoh dan memboroskan waktu.

Heuristik adalah sebuah teknik yang mengembangkan efisiensi dalam proses pencarian, namun dengan kemungkinan mengorbankan kelengkapan (completeness).  Heuristic Search memperkirakan jarak menuju Goal (yang disebut dengan fungsi heuristik). 

Fungsi heuristik ini digunakan untuk mengevaluasi keadaan-keadaan problema individual dan menentukan seberapa jauh hal tersebut dapat digunakan untuk mendapatkan solusi yang diinginkan. 

Greedy Best First Search 

Metode pencarian ini melakukan ekspansi node yang memiliki jarak terdekat dengan goal. Namun, ekspansi yang dilakukan pada metode ini menggunakan evaluasi node hanya dengan melihat kepada fungsi heuristiknya. Dengan kata lain, yang dibandingkan untuk penentuan ekspansi node adalah nilai estimasi/prediksinya saja.

                     f(n) = h(n)

A* Search 

Bentuk dari Best First Search yang paling dikenal adalah algoritma pencarian A* (dibaca dengan “A-star”). Sedikit berbeda dengan Greedy yang hanya melihat kepada nilai h(n), pencarian dengan A* melihat kepada kombinasi nilai dari pathnya yaitu g(n) dengan nilai estimasi yaitu h(n).

                    f(n) = g(n) + h(n)

Dalam notasi matematika dituliskan sebagai:

g(n) = biaya sebenarnya untuk mencapai simpul n

h(n) = perkiraan biaya dari simpul n ke goal.

f(n) = perkiraan total biaya jalur yang melalui simpul n ke goal.

3. SMA (Simplified Memory-Bounded A*) 

SMA* adalah contoh dari sebuah mekanisme pencarian “lossy“. Dalam rangka untuk mengurangi konsumsi memori, hal ini membuang informasi, dengan asumsi bahwa informasi yang dibuang itu tidak penting. Bagaimanapun, tidak ada jaminan bahwa hal itu tidak penting. Dalam semua kasus dengan SMA*, jalur yang ditemukan tidak memiliki jaminan menjadi jalur yang optimal. Pada awal pencarian, node yang tidak menjanjikan bisa saja dibuang.

Menetapkan limit yang besar pada ukuran open list dapat membantu meringankan masalah ini, namun fungsi untuk mengurangi penggunaan memori menjadi terbuang. Pada kasus ekstrem yang lain, dengan memberi limit 1 simpul pada open list, ini bisa mempercepat sekaligus mengurangi penggunaan memori dalam pencarian, namun jalur yang ditemukan bisa tidak optimal .

 Algoritma pencarian lokal dan masalah optimisasi 

1. Hill Climbing

Hill Climbing (mendaki bukit) merupakan salah satu variasi metode buat dan uji (generate and test) dimana umpan balik yang berasal dari prosedur uji digunakan untuk memutuskan arah gerak dalam ruang pencarian (search).
Dalam prosedur buat dan uji yang murni, respon fungsi uji hanyalah ya atau tidak. Dalam prosedurHill Climbing, fungsi uji dikombinasikan dengan fungsi heuristik yang menyediakan pengukuran kedekatan suatu keadaan yang diberikan dengan tujuan (goal).
Prosedur Hill Climbing : 

Buatlah solusi usulan pertama dengan cara yang sama seperti yang dilakukan dalam prosedur buat dan uji (generate and test). Periksalah apakah solusi usulan itu merupakan sebuah solusi. Jika ya, berhentilah. Jika tidak, kita lanjutkan ke langkah berikutnya.

Dari solusi ini, terapkan sejumlah aturan yang dapat diterapkan untuk membuat sekumpulan solusi usulan yang baru.

Untuk setiap elemen kumpulan solusi tersebut, lakukanlah hal-hal berikut ini : 

1. Kirimkanlah elemen ini ke fungsi uji. Jika elemen ini merupakan sebuah solusi,                 berhentilah.
2. Jika tidak, periksalah apakah elemen ini merupakan yang terdekat dengan solusi yang telah diuji sejauh ini. Jika tidak, buanglah.
3. Ambilah elemen terbaik yang ditemukan di atas dan pakailah sebagai solusi usulan berikutnya. Langkah ini bersesuaian dengan langkah dalam ruang problema dengan arah yang muncul sebagai yang tercepat dalam mencapai tujuan.
4. Kembalilah ke langkah 2.

Masalah-masalah yang mungkin timbul pada prosedur Hill Climbing :

-  Maksimum lokal adalah suatu keadaan yang lebih baik daripada semua tetangganya namun masih belum lebih baik dari suatu keadaan lain yang jauh letaknya darinya.

-  Daratan  (Plateau) adalah suatu daerah datar dari ruang pencarian (search) dimana semua himpunan keadaan tetangganya memiliki nilai yang sama.

- Punggung (Ridge) adalah suatu daerah ruang pencarian (search) yang lebih tinggi daripada daerah sekitarnya, namun tidak dapat dibalikkan oleh langkah–langkah tunggal ke arah manapun.

Solusinya: 

 - Melakukan langkah balik (backtracking) ke simpul yang lebih awal dan mencoba bergerak ke arah yang lain.

-  Melakukan lompatan besar ke suatu arah untuk mencoba bagian ruang pencarian yang baru.

- Menerapkan dua atau lebih aturan sebelum melakukan uji coba. Ini bersesuaian dengan bergerak ke beberapa 

  arah sekaligus.

2.   SIMULATED ANNEALING (SA)

Simulated Annealing adalah suatu algoritma optimasi yang mensimulasikan proses annealingpada pembuatan materi yang terdiri dari butir kristal atau logam. Algoritma untuk untuk optimisasi yang bersifat generik. Berbasiskan probabilitas dan mekanika statistik, algoritma ini dapat digunakan untuk mencari pendekatan terhadap solusi optimum global dari suatu permasalahan. 

Annealing adalah satu teknik yang dikenal dalam bidang metalurgi, digunakan dalam mempelajari proses pembentukan kristal dalam suatu materi. Agar dapat terbentuk susunan kristal yang sempurna, diperlukan pemanasan sampai suatu tingkat tertentu, kemudian dilanjutkan dengan pendinginan yang perlahan-lahan dan 

terkendali dari materi tersebut. 

Secara umum ada 3 hal pokok pada simulated annealing, yaitu:

a.       Nilai awal untuk temperatur (T0).

b.       Kriteria yang digunakan untuk memutuskan apakah temperatur sistem                             seharusnya dikurangi.

c.       Berapa besarnya pengurangan temperatur dalam setiap waktu.

 3.     Local Beam Search 

Local Beam Search adalah algoritma pencarian heuristik yang mengeksplorasi grafik dengan memperluas simpul yang paling menjanjikan dalam rangkaian terbatas. Penelusuran beam adalah optimalisasi pencarian terbaik pertama yang mengurangi kebutuhan memori. Pencarian terbaik pertama adalah penelusuran grafik yang memerintahkan semua solusi parsial (negara bagian) menurut beberapa heuristik yang mencoba memprediksi seberapa dekat solusi parsial dengan solusi lengkap (goal state). Tapi dalam pencarian balok, hanya sejumlah solusi parsial terbaik yang telah ditentukan dijaga sebagai kandidat.

4.    Genetic Algorithm 

Genetic Algorithm (GA) adalah metaheuristik yang terinspirasi oleh proses seleksi alam yang termasuk dalam kelas yang lebih besar dari algoritma evolusioner (EA). Algoritma genetika biasanya digunakan untuk menghasilkan solusi berkualitas tinggi untuk optimasi dan masalah pencarian dengan mengandalkan operator terinspirasi bio seperti mutasi, crossover dan seleksi.

Agen pencarian online dan lingkungan yang tidak diketahui. 

Agen cerdas adalah (intelligent agent) kian populer seiring dengan perkembangan internet. Berbagai nama lain yang juga menyatakan agen cerdas yaitu software agent, wizard, knowbot, dan softbot.

Sensor adalah bagian yang merangsang tindakan agen, sedangkan efektor adalah bagian yang di gunakan oleh agen untuk melakukan tindakan.

Agen yang berupa perangkat lunak, atau bisa disebut agen cerdas, adalah perangkat lunak yang dapat bertindak seperti orang yang mampu berinteraksi dengan lingkungan. Contoh:

·         Agen sistem operasi

·         Agen spreadsheet

·         Agen perdagangan elektronis

  Agen sistem operasi digunakan untuk membantu penggunaan sistem operasi digunakan untuk membantu penggunaan sistem operasi. Contoh, microsoft memiliki sejumlah agen yang dinamakan wizard pada sistem operasi yang di buatnya; misalnya Windows NT. Agen ini digunakan antara lain untuk menambah nama pemakai, mengelola grup pemakai, dan manajemen berkas.  

Agen spreadsheet digunakan untuk membuat program spreadsheet menjadi lebih mudah digunakan oleh pemakai. Contoh, Office  Assistant pada excel dapat “mengamati” pemakaidan jika terjadi sesuatu yang perlu untuk dibantu, agen cerdas akan memberikan saran 

Sumber :

http://bgustiardi.blogspot.co.id/2017/10/pencarian-berbentuk-heuristik-search.html#.WdYWEdR94sZhttps://www.google.co.id/url?sa=t&rct=j&q=&esrc=s&source=web&cd=10&cad=rja&uact=8&ved=0ahUKEwizyc-R9tHWAhWCqo8KHUwOC6IQFghhMAk&url=https%3A%2F%2Fdeisyamalia.files.wordpress.com%2F2012%2F03%2Fmakalah-ai.docx&usg=AOvVaw05Vt1vhNqP8qnlEu1qlv1thttp://najibzot.blogspot.co.id/p/teknik-searching-kecerdasan-buatan-di.htmlhttps://duniait2016.wordpress.com/2016/02/26/metode-search-dalam-kecerdasan-buatan/