Forward chaining merupakan grup dari multipel inferensi yang melakukan pencarian dari suatu masalah kepada solusinya.
· 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
• Beberapa Sifat forward chaining:
– Good for monitoring, planning, and control
– Looks from present to future.
– Works from antecedent to consequent.
– Is data-driven, bottom-up reasoning.
– Works forward to find what solutions follow from the facts.
– It facilitates a breadth-first search.
– The antecedents determine the search.
– It does not facilitate explanation.
• Jika suatu aplikasi menghasilkan tree yang lebar dan tidak dalam, maka gunakan forward chaining.
Sabtu, 03 Oktober 2009
BACKWARD CHAINING
# Pendekatan goal-driven, dimulai dari ekspektasi apa yang diinginkan terjadi (hipotesis), kemudian mengecek pada sebab-sebab yang mendukung (ataupun kontradiktif) dari ekspektasi tersebut.
# Jika suatu aplikasi menghasilkan tree yang sempit dan cukup dalam, maka gunakan backward chaining.
# Beberapa sifat dari backward chaining:
– Good for Diagnosis.
– Looks from present to past.
– Works from consequent to antecedent.
– Is goal-driven, top-down reasoning.
– Works backward to find facts that support the hypothesis.
– It facilitates a depth-first search.
– The consequents determine the search.
– It does facilitate explanation.
# Pada komputer, program dimulai dengan tujuan (goal) yang diverifikasi
apakah bernilai TRUE atau FALSE
o Kemudian melihat pada suatu rule yang mempunyai GOAL
tersebut pada bagian konklusinya.
o Mengecek pada premis dari rule tersebut untuk menguji apakah
rule tersebut terpenuhi (bernilai TRUE)
o Pertama dicek apakah ada assertion-nya
- Jika pencarian disitu gagal, maka ES akan mencari rule lain yang memiliki konklusi yang sama dengan rule pertama tadi
- Tujuannya adalah membuat rule kedua terpenuhi (satisfy)
o Proses tersebut berlajut sampai semua kemungkinan yang ada
telah diperiksa atau sampai rule inisial yang diperiksa (dg GOAL)
telah terpenuhi
o Jika GOAL terbukti FALSE, maka GOAL berikut yang dicoba.
# Jika suatu aplikasi menghasilkan tree yang sempit dan cukup dalam, maka gunakan backward chaining.
# Beberapa sifat dari backward chaining:
– Good for Diagnosis.
– Looks from present to past.
– Works from consequent to antecedent.
– Is goal-driven, top-down reasoning.
– Works backward to find facts that support the hypothesis.
– It facilitates a depth-first search.
– The consequents determine the search.
– It does facilitate explanation.
# Pada komputer, program dimulai dengan tujuan (goal) yang diverifikasi
apakah bernilai TRUE atau FALSE
o Kemudian melihat pada suatu rule yang mempunyai GOAL
tersebut pada bagian konklusinya.
o Mengecek pada premis dari rule tersebut untuk menguji apakah
rule tersebut terpenuhi (bernilai TRUE)
o Pertama dicek apakah ada assertion-nya
- Jika pencarian disitu gagal, maka ES akan mencari rule lain yang memiliki konklusi yang sama dengan rule pertama tadi
- Tujuannya adalah membuat rule kedua terpenuhi (satisfy)
o Proses tersebut berlajut sampai semua kemungkinan yang ada
telah diperiksa atau sampai rule inisial yang diperiksa (dg GOAL)
telah terpenuhi
o Jika GOAL terbukti FALSE, maka GOAL berikut yang dicoba.
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 tujuan (goal)tercapai.
§ Ada dua metode inferencing dengan rules, yaitu Forward Chaining atau Data-Driven dan Backward Chaining atau Goal-Driven.
§ 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 tujuan (goal)tercapai.
§ Ada dua metode inferencing dengan rules, yaitu Forward Chaining atau Data-Driven dan Backward Chaining atau Goal-Driven.
Reasoning dengan Logika
Modus Ponen
Definisi: Rule dari logika yang menyatakan bahwa jika kita tahu A adalah
benar dan A implies B adalah juga benar, maka kita dapat mengasumsikan
bahwa B benar.
[A AND (AàB)] à B IF A is True
AND A à B is True
THEN B is True
Contoh:
A = Udara Cerah
B = Kita akan pergi ke pantai
AàB = Jika udara cerah, maka kita pergi ke pantai
Dengan menggunakan Modus Ponen, kita bisa menarik kesimpulan bahwa “Kita
akan pergi ke Pantai”
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
memberikan sejumlah aksioma dari masalah tersebut.
§ Proof by Refutation, suatu teknik yang ingin membuktikan bahwa ØP
tidak dapat menjadi TRUE.
§ Resolvent : ekspresi baru yang muncul dari metode resolusi yang
merupakan gabungan (union) dari aksioma yang ada dengan teorema
negasi.
Misalnya:
Ada 2 aksioma:
A V B (A is True OR B is True) dan ØB V C (B is Not True OR C is True).
(A V B) Ù (ØB V C ) = A Ú C
Resolvent tersebut kemudian ditambahkan pada list dari aksioma dan akan
menghasilkan resolvent baru. Proses ini berulang sampai menghasilkan
kontradiksi.
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
Untuk membuktikan [H Ù (A à B) à C]:
If (B à C), then membuktikan (H à A)
§ Untuk menjelaskan pendekatan ini, perhatikan contoh kasus berikut:
Misalkan kita ingin membuktikan apakah Jack suka tim sepakbola
Arema-Malang. Asumsinya adalah bahwa semua orang yang tinggal di
Malang menyukai Arema. Karenanya, jika kita bisa mengetahui bahwa
Jack tinggal di Malang, maka kita bisa membuktikan tujuan kita.
Kasus tadi dapat direpresentasi menjadi:
Antecedents:
[Lives-Malang(Jack) Ù (Lives-Malang(X) à Likes-Arema(X))
Goals:
à Likes-Arema(Jack)]:
Pada contoh tersebut, kita bisa membuktikan goal-nya jika (Lives-
Malang(X) à Likes-Arema(X)), dan (Lives-Malang(Jack)) adalah
BENAR.
Definisi: Rule dari logika yang menyatakan bahwa jika kita tahu A adalah
benar dan A implies B adalah juga benar, maka kita dapat mengasumsikan
bahwa B benar.
[A AND (AàB)] à B IF A is True
AND A à B is True
THEN B is True
Contoh:
A = Udara Cerah
B = Kita akan pergi ke pantai
AàB = Jika udara cerah, maka kita pergi ke pantai
Dengan menggunakan Modus Ponen, kita bisa menarik kesimpulan bahwa “Kita
akan pergi ke Pantai”
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
memberikan sejumlah aksioma dari masalah tersebut.
§ Proof by Refutation, suatu teknik yang ingin membuktikan bahwa ØP
tidak dapat menjadi TRUE.
§ Resolvent : ekspresi baru yang muncul dari metode resolusi yang
merupakan gabungan (union) dari aksioma yang ada dengan teorema
negasi.
Misalnya:
Ada 2 aksioma:
A V B (A is True OR B is True) dan ØB V C (B is Not True OR C is True).
(A V B) Ù (ØB V C ) = A Ú C
Resolvent tersebut kemudian ditambahkan pada list dari aksioma dan akan
menghasilkan resolvent baru. Proses ini berulang sampai menghasilkan
kontradiksi.
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
Untuk membuktikan [H Ù (A à B) à C]:
If (B à C), then membuktikan (H à A)
§ Untuk menjelaskan pendekatan ini, perhatikan contoh kasus berikut:
Misalkan kita ingin membuktikan apakah Jack suka tim sepakbola
Arema-Malang. Asumsinya adalah bahwa semua orang yang tinggal di
Malang menyukai Arema. Karenanya, jika kita bisa mengetahui bahwa
Jack tinggal di Malang, maka kita bisa membuktikan tujuan kita.
Kasus tadi dapat direpresentasi menjadi:
Antecedents:
[Lives-Malang(Jack) Ù (Lives-Malang(X) à Likes-Arema(X))
Goals:
à Likes-Arema(Jack)]:
Pada contoh tersebut, kita bisa membuktikan goal-nya jika (Lives-
Malang(X) à Likes-Arema(X)), dan (Lives-Malang(Jack)) adalah
BENAR.
REASONING
Definisi : Proses bekerja dengan pengetahuan, fakta dan strategi pemecahan
masalah, untuk mengambil suatu kesimpulan. (Berpikir dan mengambil
kesimpulan)
Metode Reasoning
a. Deductive Reasoning
o Kita menggunakan 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
Aksioma : Saya berdiri ditengah-tengah hujan deras
Konklusi : Saya akan basah kuyup
IF A is True AND IF A IMPLIES B is True, Then B is True
b. Inductive Reasoning
o Kita menggunakan 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
Konklusi : Semua monyet makan pisang
c. Abductive Reasoning
o 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
Aksioma : Tanah menjadi basah
Konklusi : Apakah terjadi hujan?
IF B is True AND A implies B is true, Then A is True?
d. Analogical Reasoning
§ Kita mengunakan pemodelan analogi untuk membantu kita memahami
situasi baru atau objek baru.
§ Kita menggambar analogi antara 2 objek/situasi, kemudian melihat
persamaan dan perbedaan untuk memandu proses reasoning.
d. Common Sense Reasoning
§ Melalui pengalaman, manusia belajar untk memecahkan masalahnya
secara efisien. Dengan menggunakan common sense untuk secara cepat
memperoleh suatu solusi.
§ Dalam sistem pakar, dapat dikategorikan sebagai Heuristic.
§ Proses heuristic search atau best first search digunakan pada aplikasi
yang membutuhkan solusi yang cepat
masalah, untuk mengambil suatu kesimpulan. (Berpikir dan mengambil
kesimpulan)
Metode Reasoning
a. Deductive Reasoning
o Kita menggunakan 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
Aksioma : Saya berdiri ditengah-tengah hujan deras
Konklusi : Saya akan basah kuyup
IF A is True AND IF A IMPLIES B is True, Then B is True
b. Inductive Reasoning
o Kita menggunakan 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
Konklusi : Semua monyet makan pisang
c. Abductive Reasoning
o 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
Aksioma : Tanah menjadi basah
Konklusi : Apakah terjadi hujan?
IF B is True AND A implies B is true, Then A is True?
d. Analogical Reasoning
§ Kita mengunakan pemodelan analogi untuk membantu kita memahami
situasi baru atau objek baru.
§ Kita menggambar analogi antara 2 objek/situasi, kemudian melihat
persamaan dan perbedaan untuk memandu proses reasoning.
d. Common Sense Reasoning
§ Melalui pengalaman, manusia belajar untk memecahkan masalahnya
secara efisien. Dengan menggunakan common sense untuk secara cepat
memperoleh suatu solusi.
§ Dalam sistem pakar, dapat dikategorikan sebagai Heuristic.
§ Proses heuristic search atau best first search digunakan pada aplikasi
yang membutuhkan solusi yang cepat
TEKNIK INFERENSI
§ Definisi Inferensi: Proses yang digunakan dalam Sistem Pakar untuk
menghasilkan informasi baru dari informasi yang telah diketahui
§ Dalam sistem pakar proses inferensi dilakukan dalam suatu modul yang
disebut Inference Engine (Mesin inferensi)
§ Ketika representasi pengetahuan (RP) pada bagian knowledge base telah
lengkap, atau paling tidak telah berada pada level yang cukup akurat,
maka RP tersebut telah siap digunakan.
§ Inference engine merupakan modul yang berisi program tentang bagaimana
mengendalikan proses reasoning.
menghasilkan informasi baru dari informasi yang telah diketahui
§ Dalam sistem pakar proses inferensi dilakukan dalam suatu modul yang
disebut Inference Engine (Mesin inferensi)
§ Ketika representasi pengetahuan (RP) pada bagian knowledge base telah
lengkap, atau paling tidak telah berada pada level yang cukup akurat,
maka RP tersebut telah siap digunakan.
§ Inference engine merupakan modul yang berisi program tentang bagaimana
mengendalikan proses reasoning.
Langganan:
Postingan (Atom)