METODE

INFEREN
SI
SISTEM BERBASIS
PENGETAHUAN

Kelompok 1 :
1. Andri Yudhistira
( 10108222 )
2. Antoni Ripassa
( 10108273 )
3. Ari Yusmandanita
( 10108299 )
4. Hendra Kurniawan
( 12108428 )
5. Herawati
(10108959)
6. Indra Mochammad
Yusuf ( 11108020 )
7. Jaka Husen
( 11108055 )
8. Karina Almisaning
Dyah ( 11108099 )
9. Siti Rahayu
Kurniawati
( 11108852 )
10.Sulimah
( 11108883 )
11.Yayan Sopiyan
( 12108072 )

3KA14
Dosen : Essy Mays Sari
Sakti

UNIVERSITAS
GUNADARMA 2010

Sistem Berbasis Pengetahuan

 Metode Inferensi
SISTEM BERBASIS PENGETAHUAN

METODE INFERENSI / KESIMPULAN

Dalam bab ini kita akan membahas beberapa metode pemikiran atau inferensi. Bab ini
penting dalam expert system (sistem pakar) karena pemberian alasan merupakan teknik yang
umum dimana expert system memecahkan suatu masalah. Expert system pada umumnya
digunakan jika algoritma yang tidak memadai atau tidak ada pemecahan algoritma yang
muncul dan pemberian alasan menawarkan kemungkinan pemecahannya.
Inferensi merupakan suatu proses untuk menghasilkan informasi dari fakta yang
diketahui. Inferensi adalah konklusi logis atau implikasi berdasarkan informasi yang
tersedia. Dalam sistem pakar, proses inferensi dialakukan dalam suatu modul yang disebut
inference engine. Ketika representasi pengetahaun pada bagian knowledge base telah
lengkap, atau paling tidak telah berada pada level yang cukup akurat, maka representasi
pengetahuan tersebut telah siap digunakan.

1. TREES. LATTICE dan GRAPH

Tree (pohon) adalah suatu hierarki struktur yang terdiri dari Node (simpul/veteks) yang
menyimpan informasi atau pengetahuan dan cabang (link/edge) yang menghubungkan
node. Binary tree mempunyai 0,1 atau 2 cabang per-node.
○ Node tertinggi disebut root
○ Node terendah disebut daun

Akar Node
Cabang Level 1

Node Level 2

Level 3

Level 4
Daun

Tree merupakan tipe khusus dari jaringan semantic, yang setiap nodenya
kecuali akar, mempunyai satu node orang tua dan mempunyai nol atau lebih node

Sistem Berbasis Pengetahuan

 anak. Tree adalah kasus khusus dalam Graph. Graph dapat mempunyai nol atau lebih
link di antara node dan tidak ada perbedaan antara orangtua dan anak.
Dalam graph, link dapat ditunjukkan berupa panah atau arah yang memadukan
node dan bobot yang merupakan karakteristik beberapa aspek dari link.
Beberapa contoh graph sederhana:

A B D

C E
(a) Graph tidak terhubung (b) Graph terhubung

A B

C
(c) Digraph dgn loop pada diri
sendiri dan sirkuit terhubung (d) Lattice

(e) Degenerate binary tree dari

tiga node

Note :
– Graph asiklik adalah graph yang tidak mengandung siklus.
– Graph dengan link berarah disebut digraph.
– Graph asiklik berarah disebut lattice.
– Tree yang hanya dengan path tunggal dari akar untuk satu daun disebut degenerate
tree.
– Aplikasi tree dan lattice adalah pembuatan keputusan disebut decision tree dan
decision lattice.
– Contoh : decision tree yang menunjukkan pengetahuan tentang hewan.

Apakah dia bertubuh besar ?

T Y

Apakah dia mencicit ? Apakah dia mempunyai leher panjang ?

T Y T Y
tupai tikus Apakah dia mempunyai belalai ? jerapah
T Y

Apakah dia suka berada di air ? gajah

T Y

badak hippo

Sistem Berbasis Pengetahuan

 – Aturan produksi (IF…THEN…) dari contoh di atas :
JIKA pertanyaan=”Apakah dia bertubuh besar ?”
DAN jawaban=”Tidak”
MAKA pertanyaan=”Apakah dia mencicit?”

JIKA pertanyaan=”Apakah dia bertubuh besar ?”

DAN jawaban=”Ya”
MAKA pertanyaan=”Apakah dia mempunyai leher panjang?”
dst……

1. SPASI STATA dan SPASI PERMASALAHAN

STATE SPACE
State adalah kumpulan karakteristik yg dapat digunakan untuk menentukan status.
State Space adalah rangkaian pernyataan yg menunjukkan transisi antara state dimana
objek dieksprerimen

A B D

C E
(a) Graph tidak terhubung (b) Graph terhubung

A B

C
(c) Digraph dgn loop pada diri
sendiri dan sirkuit terhubung (d) Lattice

(e) Degenerate binary tree dari

tiga node

2. AND-OR TREE dan GOALS

Dalam SP, untuk menemukan solusi problem dapat menggunakan rangkaian backward
yaitu dengan tree AND-OR dan AND-OR-NOT
– Banyak tipe system pakar menggunakan backward chaining untuk mendapatkan
solusi dari permasalahan.
– Salah satu tipe dari tree atau lattice yang digunakan dalam masalah representasi
backward chaining adalah Pohon AND-OR.

Sistem Berbasis Pengetahuan

 Contoh :

LULUS
WORKS
LULUS
KURS
Persyar
SKSLul
Sid.Sarjana
US
HOP
atan
D3us
=160
IPK
>=2.0

1. LOGIKA DEDUKTIF DAN SYLLOGISMS

Tipe-tipe Inferensi

Sistem Berbasis Pengetahuan

 Inferences

Induction Heuristics Abduction Autoepistemic Analogy

Deduction Intuition G enerate & Test Default Nonmonotonic

a. Deduction
Pemberian alasan logikal dimana kesimpulan harus mengikuti premis

b. Induction
Inferensi dari khusus ke umum

c. Intuition
Tidak ada teori yg menjamin. Jawabannya hanya muncul, mungkin dengan
penentuan pola yg ada secara tidak disadari.

d. Heuristic
Aturan yg didasarkan pada pengalaman

e. Generate & Test

Trial dan error. Digunakan dgn perencanaan.

f. Abduction
Pemberian alasan kembali dari kesimpulan yg benar ke premis .

g. Default
Diasumsikan pengetahuan umum sebagai default

h. Autoepistemic
Self-knowledge

i. Nonmonotonic
Pengetahuan yg sebelumnya mungkin tdk benar jika bukti baru didapatkan

j. Analogy
Kesimpulan yg berdasarkan pada persamaan untuk situasi yg lainnya.

Suatu logika argument adalah kumpulan dari pernyataan-pernyataan yang dinyatakan

untuk dibenarkan sebagai dasar dari rantai penalaran. Salah satu jenis logika argunen
adalah Silogisme.
Contoh :

Premis : Siapapun yang dapat membuat program adalah pintar

Premis : John dapat membuat program

Sistem Berbasis Pengetahuan

 Konklusi : Oleh karenanya John adalah pintar

Proses deduktif pada contoh di atas bergerak dari prinsip umum menuju konklusi
khusus.

Penalaran deduktif umumnya terdiri dari tiga bagian : premis mayor, premis minor
dan konklusi. Premis disebut juga antecedent Konklusi/kesimpulan disebut juga
consequent. Silogisme dapat direpresentasikan ke dalam bentuk aturan
JIKA…..MAKA….. (IF…THEN…..),
Contoh :

JIKA siapapun yang dapat membuat program adalah pintar

DAN John dapat membuat program
MAKA John adalah pintar

Silogisme klasik disebut categoricall syllogism (silogisme yang pasti). Premis dan
konklusi didefinisikan sebagai statement yang pasti dari empat bentuk berikut :

Bentuk Skema Arti

A Semua S adalah P Universal Afirmative
E Tidak S adalah P Universal Negative
I Beberapa S adalah P Particular Afirmative
O Beberapa S bukan P ParticularNegative

Subjek dari konklusi S disebut bagian minor bila predikat konklusi P adalah bagian
mayor. Premis terdiri dari premis mayor dan premis minor.
Contoh :
Premis mayor : Semua M adalah P
Premis minor : Semua S adalah M
Konklusi : Semua S adalah P
Silogisme di atas adalah bentuk standar karena premis mayor dan minor sudah
diketahui.
Contoh :
“Semua mikrokomputer adalah computer”
Subjeknya (objek yang digambarkan) adalah mikrokomputer.
Predikatnya (beberapa sifat subjek) adalah computer

M (middle term) adalah hal yang penting karena silogisme didefinisikan sedemikian
sehingga konklusi tidak dapat disimpulkan dengan mengambil salah satu premis.
Q (quantifier) menggambarkan porsi dari kelas yang diketahui.
○ Quantifier “semua” dan “tidak” adalah universal karean menunjukkan keseluruhan
kelas.
○ “beberapa” adalah khusus (particular) karena hanya menunjukkan satu bagian dari
kelas yang diketahui.
Mood dari silogisme didefinisikan sebagai tiga huruf yang memberikan bentuk
masing-masing premis mayor, minor dan konklusi.
Contoh :
Semua M adalah P
Semua S adalah M
∴ Semua S adalah P
menunjukkan suatu mood AAA-1

Sistem Berbasis Pengetahuan

 Ada 4 kemungkinan pola susunan istilah S, P dan M :

Figure 1 Figure 2 Figure 3 Figure 4

Premis Mayor MP PM MP PM
Premis Minor SM SM MS MS

Tidak selalu argument yang mempunyai bentuk silogisme merupakan silogisme yang
valid.
Contoh : Silogisme tidak valid berbentuk AEE-1
Semua M adalah P
Tidak S adalah M
∴ Tidak S adalah P

Semua mikrokomputer adalah computer

Bukan mainframe adalah mikrokomputer
∴ Bukan mainframe adalah computer

Diperlukan prosedur keputusan (decision procedure) untuk pembuktian validitas.

Prosedur keputusan untuk silogisme dapat dilakukan menggunakan diagram venn
tiga lingkaran yang saling berpotongan yang merepresentasikan S,P, M.

Contoh : Prosedur Keputusan untuk AEE-1

Semua M adalah P
Tidak S adalah M
∴ Tidak S adalah P

a. Diagram Venn b. Setelah Premis Mayorc. Setelah Premis Minor

– Contoh : Prosedur Keputusan untuk EAE-1

Tidak M adalah P
Semua S adalah M
∴ Tidak S adalah P

Sistem Berbasis Pengetahuan

 a. Diagram Venn b. Setelah Premis Mayor c. Setelah Premis Minor

1. ATURAN DARI INFERENSI

Diagram Venn tidak sesuai untuk argumen yang lebih kompleks karena sulit dibaca pada
decision tree untuk silogisme. ogika proposisi memberikan pengertian lain dari
penggambaran argumen.
Contoh :
Jika ada daya listrik, komputer akan bekerja
Ada daya
∴ Komputer akan bekerja

A = ada daya listrik

B = komputer akan bekerja

Sehingga dapat ditulis :

AB
A
∴B
Bentuk umum Ponens / direct reasoning / law of detachment / assuming the antecedent

pq
p atau pq, p; ∴q
∴q

Bentuk tersebut valid, karena argumen tersebut dapat ditunjukkan sebagai suatu
tautologi.
((pq)∧p) q

Tabel Kebenaran Ponens :

p q pq ((pq)∧p) ((pq)∧p) q

T T T T T
T F F F T
F T T F T
F F T F T

Terdapat argumen yang menyerupai ponens namun perlu dibuktikan validitasnya.

Sistem Berbasis Pengetahuan

 Contoh :
Jika tidak kesalahan maka program dapat mengkompile
Program dapat mengkompile
 Tidak ada kesalahan

pq
q atau pq, q; ∴p
∴p

Tabel Kebenaran:
p q pq ((pq)∧q) ((pq)∧q) p
T T T T T
T F F F T
F T T T F
F F T F T
(Bukan Pones karena tidak bersifat Tautology)
Skema argumen lain :
pq
~q
∴ ~p

Tabel Kebenaran:
p q pq ~q (pq)∧~q) ~p ((pq)∧~q) ~p
T T T F F F T
T F F T F F T
F T T F F T T
F F T T T T T

Argumen di atas disebut Tollens / indirect reasoning / law of contraposition.

Beberapa hukum Inferensi

Hukum Inferensi Skema

1. Hukum Detasemen pq
p
∴q
2. Hukum Kontrapositif pq
∴ ~q ~p
3. Hukum Modus Tollens pq
~q
∴ ~p
4. Aturan Rantai pq
(hukum silogisme) qr
∴ pr
5. Hukum Inferensi Disjungsi p∨q p∨q
~p ~q
∴q ∴p
6. Hukum negasi ~(~p)
∴p
7. Hukum de Morgan ~(p∧q) ~(p∨q)

Sistem Berbasis Pengetahuan

 ∴ ~p∨~q ∴ ~p∧q
8. Hukum Simplifikasi p∧q p∧q
∴p ∴q
9. Hukum Konjungsi p
q
∴ p∧q
10. Hukum Penambahan p
Disjungtif ∴ p∨q

11. Hukum Argumen ~(p∧q) ~(p∧q)

Konjugtif p q
~q ~p

Kaidah inferensi dapat digunakan untuk argumen yang mempunyai lebih dari dua
premis.

Contoh :
Harga chip naik hanya jika yen naik
Yen naik hanya jika dollar turun dan jika dollar turun maka yen naik
Karena harga chip telah naik
Dollar harus turun

Misal : C = harga chip naik

Y = Yen naik
D = Dollar turun

1. C Y
2. (Y D)( D Y)
3. C
∴D
– Kondisional p q mempunyai converse, inverse dan kontrapositif

Kondisional p q
Converse qp
Inverse ~p ~q
Kontrapositif ~q  ~p

Jika p q dan q  p bernilai benar, maka keduanya adalah ekuivalen.

p q∧q  p ekuivalen dengan p↔q atau p≡ q.

sehingga argumen untuk contoh di atas, menjadi :

1. C Y
2. (Y D)∧( D Y)
3. C /∴ D
4. Y≡ D 2 ekuivalen
5. C D 1 substitusi
6. D 3,5 modus ponens

1. LOGIKA PEMBATASAN DARI PROPORSIONAL

Perhatikan argument klasik yang kita kenal ini :

Sistem Berbasis Pengetahuan

 All men are mortal
Socrates as a man_______________
Therefore, Socrates is mortal

Kita tahu bahwa argument tersebut adalah argumen valid jika berupa syllogism
valid. Dapatkah kita membuktikan ke-valid-an tersebut dengan menggunakan logika
proporsional?
Untuk menjawab pertanyaan ini, pertama kali kita menuliskan argument sebagian skema
P = All men are mortal
q = Socrates is a man
R = Socrates is mortal

Sehingga skema argument adalah :

p
q
∴r

Perhatikan bahwa tidak ada hubungan di dalam premises atau kesimpulan sehingga
setiap premises dan setiap kesimpulan harus mempunyai variable logical yang berbeda.
Juga , logika preposisional tidak mempunyai provisi untuk quantifier sehingga tidak ada
cara untuk menunjukkan quantifier “semua“ di dalam premise pertama. Satu-satunya
representasi argument ini di dalam logoka proporsional adalah di atas dari tiga variable
yang bebas.
Untuk menentukan argument tersebut valid, erhatikan table kebenaran dari tiga
variable bebas untuk keseluruhan kemungkinan kombinasi dari T dan F yang ditunjukkan
dalam table berikut :

Tabel Kebenaran untuk skema p,q;

∴r

p q r
T T T
T T F
T F T
T F F
F T T
F T F
F F T
F F F

Baris kedua dari table benar ini menunjukkan argumen untuk tidak valid karena premises
benar sementara kesimpulan salah.

Validitas dari argumen ini harus “tidak” diinteprestasikan seperti arti kesimpulan
yang tidak benar. Seseorang akan menentukannya sebagai argumen yang benar, Ketidak-
valid-an sederhana berarti bahwa “argument tidak dapat dibuktikan dibawah logika

Sistem Berbasis Pengetahuan

 proporsional”. Misalnya, kita akan memberi atribut pada beberapa arti “semua” dan
mempertimbangkan “men” sebagai bentuk jaman dari “man”. Namun demikian, syllogism
dan kalkulus proporsional tidak memungkinkan struktur preposisi internal untuk diuji.
Batasan ini dibatasi oleh logika predikat dan argumen valid di bawah logika predikat.
Kenyataannya, seluruh logika syllogistic merupakan subset yang valid dari order pertama
logika predikat dana dapat dibuktikan dengan valid dibawahnya.

Satu-satunya bentuk syllogistic yang valid dari preposisi adalah :

If Socrates is a man, then Socrates is mortal.
Socrates is a man___________
Therefore, Socrates is mortal

Lihat :

p = Socrates is a man
q = Socrates is mortal
Argumen ini akan menjadi :
p→q
p
∴q

yang merupakan bentuk “modus ponens” syllogism yang valid. Seperti contoh lain,
perhatikan argumen klasik berikut ini :

All horses are animals_______

Therefore, the head of horse is the head of an animal

String di atas merupakan teori dari formal system tersebut (Minsky 67). Meskipun
string seperti 11111 tidak terlihat seperti type teori yang kita gunakan untuk melihat,
apakah merupakan teori logika yang valid. Teori khusus ini juga mempunyai arti
semantik karena teori tersebut merupakan angka aneh yang diekspresikan dalam “unary
number system” dari simbol tunggal 1. Hanya sebagai system angka binary yang hanya
mempunyai symbol alphabet 0 dan 1, system angka unary hanya mempunyai symbol
tunggal 1. angka didalam unary dan system desimal diekspresikan sebagai :

Unary Decimal
1 1
11 2
111 3
1111 4
11111 5

dan seterusnya.
Perhatikan bahwa karena baris inference dan aksioma, string, 11, 1111 dan
seterusnya tidak dapat diekspresikan dalam system formal, Yaitu, 11 dan 1111 adalah
string dari alphabet formal, tetapi bukan teori atau wffs karena tidak dapat dibuktikan
dengan menggunakan hanya baris inference dan aksioma. Sustem formal ini
memungkinkan hanya derivasi dari angka aneh, bukannya angka. Aksioma “11” harus
ditambahkan agar dapat memperoleh angka.

Sistem Berbasis Pengetahuan

 Properti system formal lainnya adalah “completeness”. Rangkaian aksioma
merupakan “complete” jika setiap wwf dapat dibuktikan atau “refuted. Bentuk refute
berarti untuk membuktikan beberapa penyisipan/ assertion salah. Dalam system lengkap,
setiap eff valid secara logikal merupakan teori. Namun demikian, jika logika predikat
tidak dapat diputuskan, maka akan datang dengan oembuktian yang berdasarkan pada
keberuntungan dan kepandaian. Tentu saja, kemungkinan lain adalah penulisan program
komputer yang akan mencoba mendapatkan pembuktian dan membiarkannya (grind
away).
Properti yang dapat diinginkan lebih lanjur dari system logika adalah dapat di
“sound”. Sound system berarti bahwa setiap teori adalah merupakan wff valid secara
logikal. Dengan kata lain, sound system tidak akan memungkinkan kesimpulan untuk di-
infered yang bukan konsekuensi proses logikal. Tidak ada argumen yang tidak valid yang
akan diinfered sebagai valid.

Ada perbedaan “order” logika. Bahasa “first order” ditentukan sehingga quantifier
akan mengoperasikan pada objek variabel seperti . Bahasa “second order” harus
∀x
mempunyai feature tambahan seperti dua macam variabel dan quantifier. Sebagai
tambahan pada variabel dan quantifier ordering, logika second order dapat mempunyai
quantifier yang mengatur atas fungsi dan symbol predikat, Contoh dari logika second
order adalah “equality axiom”, yang menunjukkan bahwa dua obyek akan sama jika
seluruh predikatnya sama. Jika P adalah predikat dari satu argumen, maka :

x =y ≡(∀
p) [ p ( x ) ↔ p ( y )]

Merupakan pernyataan dari aksioma yang sama dengan menggunakan order quantifier,
, yang mengatur seluruh predikat.
∀p

1. LOGIKA PREDIKAT ORDER PERTAMA KALI

Representasi 4 kategori silogisme menggunakan logika predikat

Bentuk Skema Representasi Predikat

A Semua S adalah P (∀x) (S(x)P(x))
E Tidak S adalah P (∀x) (S(x)~P(x))
I Beberapa S adalah P (∃ x) (S(x)P(x))
O Beberapa S bukan P (∃ x) (S(x)~P(x))

Kaidah Universal Instatiation merupakan state dasar, dimana suatu individual dapat
digantikan (disubsitusi) ke dalam sifat universal.

Contoh :
Misal, φ merupakan fungsi proposisi :
(∀x) φ (x)
∴ φ (a)

Sistem Berbasis Pengetahuan

 merupakan bentuk yang valid, dimana a menunjukkan spesifik individual, sedangkan
x adalah suatu variabel yang berada dalam jangkauan semua individu (universal)

Contoh lain : (∀x) H(x)

∴ H(Socrates)

Berikut ini adalah contoh pembuktian formal silogisme:

All men are mortal

Socrates is a man
Therefore, Socrates is mortal

Misal : H = man, M = mortal, s = Socrates

1. (∀x) (H (x)  M(x))

2. H(s) / ∴ M(s)
3. H(s)  M(s) 1 Universal Instatiation
4. M(s) 2,3 Modus Ponens

1. SISTEM LOGIKA

Sistem logika adalah kumpulan objek seperti kaidah (rule), aksioma, statement dan
lainnya yang diatur dalam cara yang konsisten.

Sistem logika mempunyai beberapa tujuan :

1. Menentukan bentuk argumen.
Awalnya argumen logika tidak memiliki arti dalam semantic sense, bentuk yang
valid pada dasarnya dapat dicapai jika validitas dari argumen tersebut dapat
ditentukan.
Fungsi terpenting dari logika sistem adalah menentukan well formed formulas
(wffs) dari argumen yang digunakan.

Contoh :
All S is P ….. merupakan wffs
tapi…. All
All is S P ….. bukan wffs
Is S all

2. Menunjukkan kaidah inferensi yang valid.

3. Mengembangkan dirinya sendiri dengan menemukan kaidah baru inferensi dan
memperluas jangkauan argumen yang dapat dibuktikan.

Sistem logika dibangun melalui Sentential atau kalkulus proposisi, kalkulus predikat dst.
Setiap sistem disandarkan pada aksioma atau postulat, yang merupakan definisi
mendasar dari sistem. Suatu aksioma merupakan fakta sederhana atau assertion yang
tidak dapat dibuktikan dalam sistem. Terkadang, kita menerima aksioma dikarenakan ada
sesuatu yang menarik atau melalui pengamatan.
Sistem formal membutuhkan :
1. simbol alfabet.
2. suatu set finite string dari simbol tertentu, wffs

Sistem Berbasis Pengetahuan

 3. aksioma, definisi dari sistem
4. kaidah inferensi, yang memungkinkan wffs, A untuk dikurangi sebagai
kesimpulan dari set finite Γ wff lain dimana Γ = {A1,A2,…An}. Wffs harus
berupa aksioma atau teori lain dari sistem logis. Sebagai contoh : sistem logika
dapat didefinisikan menggunakan modus pones untuk diturunkan menjadi teorema
baru.

Jika terdapat argumen :

A1, A2, ……., AN; ∴ A

yang valid, maka A disebut teorema dari sistem logika formal dan ditulis dengan
simbol (metasymbol) yang menunjukkan wff adalah suatu teorema .

A1, A2, ……., AN A

Contoh : teorema silogisme tentang Socrates yang ditulis dalam bentuk logika
predikat.

(∀x) (H (x)M(x)), H(s) M(s)

M(s) dapat dibuktikan dari aksioma di sisi kiri, hal tersebut menunjukkan aksioma
Suatu teorema merupakan tautology, ditunjukkan melalui Γ sebagai set null dimana
wff selalu bernilai null dan tidak tergantung dari aksioma atau teorema yang lain.
Teorema dengan tautology ditulis dengan symbol , misalnya A.
Contoh :

Jika A ≡ p ∨ ~p maka p ∨ ~p

Suatu wff disebut konsisten atau satifiable jika interpretasi yang dihasilkan benar,
dan disebut inkonsisten atau unsatisfiable jika wff menghasilkan nilai yang salah
pada semua interpretasi.

1. RESOLUSI, SISTEM RESOLUSI dan DEDUKSI

Refutation adalah pembuktian teorema dengan menunjukkan negasi atau pembuktian

kontradiksi melalui reductio ad absurdum. Melakukan refute berarti membuktikan
kesalahan.
Contoh :
A  B
B  C
C  D
∴A  D

Untuk membuktikan konklusi A  D adalah suatu teorema melalui resolusi refutation,

hal yang dilakukan :
p  q ≡ ~p ∨ q
sehingga
A D ≡ ~A ∨ D
dan langkah terakhir adalah melakukan negasi
~(~A ∨ D) ≡ A ∧ ~D

Sistem Berbasis Pengetahuan

 Penggunaan konjungsi dari disjunctive form pada premis dan negasi pada konsklusi,
memberikan conjuctive normal form yang cocok untuk resolusi refutation.
Dari contoh di atas, penulisannya menjadi :
(~A ∨ B) ∧ (~B ∨ C) ∧ (~C ∨ D) ∧ A ∧ ~D

~A V B
~B V C

~A V C ~C V D

~A V D A

D ~D

nill
Pohon Resolusi Refutation

Akar bernilai nill, menunjukkan kontradiksi. Sehingga melalui refutation dapat

ditunjukkan konklusi asli (awal) adalah teorema dengan peran kontradiksi.

2. SHALLOW DAN CASUAL REASONING

Sistem pakar menggunakan rantai inferensi, dimana rantai yang panjang

merepresentasikan lebih banyak causal atau pengetahuan yang mendalam. Sedangkan
shallow umumnya menggunakan kaidah tunggal atau inferensi yang sedikit.
Kualitas inferensi juga faktor utama dalam penentuan kedalaman dan pendangkalan
dari penalaran. Shallow knowledge disebut juga experiment knowledge.

Contoh : Penalaran shallow

IF a car has
a good battery
good sparkplugs conditional elements
gas
good tires
THEN the car can move

Pada penalaran shallow, tidak ada atau hanya terdapat sedikit pemahaman dari subjek,
dikarenakan tidak ada atau hanya terdapat sedikit rantai inferensi.
Keuntungan dari penalaran shallow :
✔ Kemudahan dalam pemograman, yang berarti waktu pengembangan program
menjadi singkat,
✔ program menjadi lebih kecil,
✔ lebih cepat
✔ biaya pengembangan menjadi murah.

Penalaran causal disebut juga penalaran mendalam (deep reasoning), karena

pemahaman yang mendalam diperoleh dari pemahaman rantai causal kejadian yang

Sistem Berbasis Pengetahuan

 terjadi, atau dengan kata lain kita dapat memahami proses dari suatu abstrak yang
disajikan. Frame dan jaringan semantik adalah contoh model yang menggunakan
penalaran causal.
Contoh :
IF the battery is good
THEN there is electricity

IF there is electricity
and the sparkplugs are good
THEN the sparkplugs will fire

IF the sparkplugs fire

and there is gas
THEN the engine will run

IF the engine runs

and there are is gas
THEN the engine will run

IF the engine runs

and there are good tires
THEN the car will move

Penalaran causal cocok digunakan untuk operasi yang berubah-ubah dari sistem yang
dibatasi oleh kecepatan eksekusi, memori dan peningkatan biaya pengembangan.
Penalaran causal dapat digunakan untuk membangun model sistem nyata, seperti model
yang dipakai untuk simulasi penggalian hipotesa penalaran pada tipe query “what if”.
Contoh : Dalam mengobati pasien, dokter dihadapkan pada jangkauan yang lebar dalam
melakukan tes diagnosa untuk memverifikasi kejadian/penyakit secara cepat dan tepat.
Karena kebutuhan akan penalaran causal meningkat, diperlukan kombinasi dengan
kaidah penalaran satu shallow. Metode resolusi dengan refutation dapat digunakan untuk
membuktikan apakah kaidah tunggal konklusi bernilai benar dari banyak kaidah
(multiple rule).

Contoh :
B=battery is good C= car will move
E=there is electricity F=sparkplugs will fire
G=there is gas R=engine will run
S=sparkplugs are good T=there are good tires

(1) B ∧S ∧G ∧T  C
(2) B E
(3) E ∧S  F
(4) F ∧G  R
(5) R ∧T  C

Langkah pertama di atas diaplikasikan pada resolusi refutation dengan menegasikan

konklusi atau kaidah tujuan.

(1’) ~( B ∧ S ∧ G ∧ T  C) = ~[~( B ∧ S ∧ G ∧ T) ∨ C]

Sistem Berbasis Pengetahuan

 Selanjutnya, setiap kaidah yang lain diekspresikan dalam disjunctive form
menggunakan equivalesi seperti :
p  q ≡ ~p ∨ q dan ~(p ∧ q) ≡ ~p ∨ ~q

sehingga versi baru dari (2)-(5) menjadi :

(2’) ~B ∨ E
(3’) ~(E ∧ S) ∨ F = ~E ∨ ~S ∨ F
(4’) ~(F ∧G) ∨ R = ~F ∨ ~G ∨ R
(5’) ~(R ∧ T) ∨ C = ~R ∨ ~T ∨ C

Pohon Resolusi Refutation-nya :

~B v E
~E v ~S v F

~B v ~S v F ~F v ~G v R

~B v ~S v ~G v R ~R v ~T v C

~B v ~S v ~G v ~T v C
~(~B v ~S v ~G v ~T v C)

nill

Akar bernilai nill, menunjukkan kontradiksi. Sehingga melalui refutation dapat

ditunjukkan konklusi asli (awal) :
B ∧S ∧G ∧T  C
adalah teorema dengan peran kontradiksi.

1. RANGKAIAN FORWARD DAN BACKWARD

Chain (rantai) : perkalian inferensi yang menghubung-kan suatu permasalahan dengan

solusinya.
Forward chaining :
✔ Suatu rantai yang dicari atau dilewati/dilintasi dari suatu permasalahan untuk
memperoleh solusi.
✔ Penalaran dari fakta menuju konklusi yang terdapat dari fakta.
Backward chaining :
✔ Suatu rantai yang dilintasi dari suatu hipotesa kembali ke fakta yang mendukung
hipotesa tersebut.
✔ Tujuan yang dapat dipenuhi dengan pemenuhan sub tujuannya.

Contoh rantai inferensi :

gajah(x)  mamalia (x)
mamalia(x)  binatang(x)

Sistem Berbasis Pengetahuan

 • Causal (sebab-akibat) Forward chain

gajah(clyde)

gajah(x) mamalia(x)

mamalia(x) binatang(x)

binatang(clyde)
• Explicit Causal chain

gajah(clyde)

unifikasi
implikasi gajah(clyde) mamalia(clyde)
unifikasi
implikasi mamalia(clyde)

Karakteristik Forward dan Backward chaining

Forward chaining Backward chaining
Perencanaan, monitoring, kontrol Diagnosis
Disajkan untuk masa depan Disajikan untuk masa lalu
Antecedent ke konsekuen Konsekuen ke antecedent
Data memandu, penalaran dari bawah ke Tujuan memandu, penalaran dari atas ke
atas bawah
Bekerja ke depan untuk mendapatkan Bekerja ke belakang untuk mendapatkan
solusi apa yang mengikuti fakta fakta yang mendukung hipotesis
Breadth first search dimudahkan Depth first search dimudahkan
Antecedent menentukan pencarian Konsekuen menentukan pencarian
Penjelasan tidak difasilitasi Penjelasan difasilitasi

✔ Forward Chaining

R8 R9 Conclusion
Facts Conclusion
I I K
H
R5 R6 R7

H I Infered Fact
H

R1 R2 R3 R4

A B C D E F G Facts
Facts
RN Rule N
Given Fact
Conclusion
Infered Fact
Missing Fact

Applicable Rule
Inapplicable Rule
Melebar dan Tidak Dalam

Sistem Berbasis Pengetahuan

 ✔ Backward Chaining

H Intial Hypotheses (Goal) Evidence

H1 H2 H3 Intermediate
Hypotheses (subgoal)
H4 H5 H6

Hypotheses
A B C D E Evidence (Facts)

Elicited Evidence
(externally supplied)
Missing Evidence Evidence
True Hypotheses
False Hypotheses Hypotheses

Sempit dan Dalam

1. METODE LAIN DARI INFERENSI

ANALOGI
Mencoba dan menghubungkan situasi lama sebagai penuntun ke situasi baru.
Contoh : diagnosis medical (gejala penyakit yang diderita oleh seorang pasien ternyata
sama dengan gejala yang dialami pasien lain).
Pemberian alasan analogis berhubungan dgn induksi. Bila induksi membuat inferensi
dari spesifik ke umum pada situasi yang sama, maka analogy membuat inferensi dari
situasi yang tidak sama.

GENERATE AND TEST

Pembuatan solusi kemudian pengetesan untuk melihat apakah solusi yg diajukan
memenuhi semua persyaratan. Jika solusi memenuhi maka berhenti yg lain membuat
sollusi yg baru kemudian test lagi dst.
Contoh : Dendral, prog AM ( artificial Mathematician), Mycin

ABDUCTION/PENGAMBILAN
Metodenya mirip dengan modus ponens
Abduction Modus ponens
pq pq
q p
∴p ∴q

Bukan argument deduksi yang valid. Berguna untuk kaidah inferensi heuristik.
Analogi,generate and test, abduction adalah metode bukan deduksi. Dari premise yg
benar, metode ini tidak dapat membuktikan kesimpulan yg benar

Perbedaan Forward Chaining,

Backward Chaining dan Abduction
Inference Start Tujuan

Sistem Berbasis Pengetahuan

 FORWARD Fakta Kesimpulan yang harus mengikuti

BACKWARD Kesimpulan tdk pasti Fakta pendukung kesimpulan

ABDUCTION Kesimpulan benar Fakta yang dapat mengikuti

NONMONOTONIC REASONING
Adanya tambahan aksioma baru pada sistem logika berarti akan banyak teorema yang
dapat dibuktikan. Peningkatan teorema dengan peningkatan aksioma dikenal dengan
sistem monotonik. Suatu masalah dapat terjadi, jika diperkenalkan aksioma parsial
atau komplit baru yang kontradikasi dengan aksioma sebelumnya. Pada sistem
nonmonotonik, tidak perlu adanya peningkatan teorema yang sejalan dengan
peningkatan aksioma.

2. METAKNOWLEDGE
Program meta-DENDRAL menggunakan induksi untuk menyimpulkan baris baru dari
struktur kimia.
Contoh : TEIRESIAS yg menambah pengetahuan secara interaktif dari expert

Sumber :
– http://karmila.staff.gunadarma.ac.id/Downloads/files/19087/METODE+INFERENSI.doc
– http://www.google.co.id/
– Pengantar Sistem Berbasis Pengetahuan, Seri Diktat Kuliah, Penerbit Gunadarma
– mufidnilmada.staff.gunadarma.ac.id

Sistem Berbasis Pengetahuan