Anda di halaman 1dari 16

BAB 7

7.1 Logika dan Set


Logika adalah bentuk representasi pengetahuan yang paling tua. Proses
logika adalah proses membentuk kesimpulan atau menarik suatu inferensi
berdasarkan fakta yang telah ada. Input dari proses logika berupa premis
atau fakta-fakta yang diakui kebenarannya sehingga dengan
menghasilkan sebuah output berupa kesimpulan atau inferensi
Input :
Premis atau
Fakta

Proses Logika

Output :
Inferensi atau
Konklusi

Logika Proposisi

Proposisi adalah suatu pernyataan yang bernilai Benar atau Salah. Simbolsimbol seperti T dan F menunjukkan proposisi. Dua atau lebih proposisi
dapat digabungkan dengan menggunakan operator logika :
a. Konjungsi : (and)
b. Disjungsi : (or)
c. Negasi : (not)
d. Implikasi : (if then)
e. Ekuivalensi : (if and only if)

Pada logika proposisional sebuah kalimat dapat ditentukan nilai


kebenarannya dengan hanya memperhatikan struktur kalimat tersebut.
Seperti kalimat
Kalimat 1 :

Andi suka makan bakso


atau
Andi tidak suka makan bakso

adalah benar tanpa harus tanya kepada Andi apakah dia suka bakso atau
tidak karena kalimat itu merupakan perwujudan (Instance) kalimat logika
proposional valid
P or (not P)
Ada beberapa kalimat, sayangnya, tidak dapat dikatakan benar
berdasarkan struktur karena bukan perwujudan (Instance) dari sembarang
kalimat valid logika proposisional. Sebagai contoh, kalimat- kalimat
Kalimat 2 :

Ada manusia yang jujur di Indonesia


atau
Semua manusia di Indonesia tidak jujur

Kalimat 3 :

Ada bilangan ganjil yang merupakan bilangan prima


atau
Semua bilangan prima bukan merupakan bilangan
ganjil

adalah benar tanpa harus menyelidiki manusia indonesia atau definisi


bilangan prima. Bahasa logika proposisional terlalu kasar dan primitif
untuk mengekspressikan konsep objek (seperti : manusia atau bilangan),
properti objek (seperti : jujur, ganjil atau prima), dan relasi antar objek.
Logika Predikat
Merupakan kembangan (perluasan) logika proposisi sehingga konsep
objek dan relasi antar objek dapat diekspressikan dalam bahasa logika.
Misal diketahui fakta-fakta sebagai berikut :
Andi adalah seorang laki-laki : A
Ali adalah seorang laki-laki : B
Amir adalah seorang laki-laki : C
Anto adalah seorang laki-laki : D
Agus adalah seorang laki-laki : E

7.2 Operator Logika


1. KONJUNGSI ( ^ ) = dan / and
Konjungsi adalah proposisi yang bernilai TRUE (benar) jika proposisi A dan
B keduanya TRUE (benar), dan proposisi yang lainnya pasti FALSE (salah).
Tabel Kebenaran :
A

A^B

Contoh :
A = Ammah ingin membeli baju.
B = Ammah ingin membeli tas.
A^B = Ammah ingin membeli baju dan tas.
2. DISJUNGSI ( v ) = atau / or
Konjungsi adalah proposisi yang bernilai FALSE (salah) jika proposisi A dan
B keduanya (FALSE) salah, dan proposisi yang lainnya pasti TRUE (benar).
Tabel Kebenaran :

AvB

Contoh :
A
= Ammah ingin membeli baju.
B
= Ammah ingin membeli tas.
AvB = Ammah ingin membeli baju atau tas
3. NEGASI ( ) = bukan / not
Negasi adalah ingkaran atau kebalikan dari proposisi yang ada.
Tabel Kebenaran :
A

Contoh :
A
= Hari ini hujan.
A = Hari ini tidak hujan.
4. IMPLIKASI ( ) = jika ... maka ...
Implikasi adalah proposisi yang bernilai FALSE (salah) jika proposisi A
bernilai TRUE (benar) dan proposisi B bernilai FALSE (salah), dan proposisi
yang lainnya pasti benar.
Tabel Kebenaran :
A

AB

Contoh :
A
= Hari ini mendung.
B
= Hari ini hujan.
AB
= Jika hari ini mendung, maka hari ini hujan.
5. BI-IMPLIKASI/EKUIVALENSI ( ) = jika ... dan hanya jika ...
Ekuivalensi adalah proposisi yang bernilai TRUE (benar) jika proposisi A
dan B bernilai sama. Tabel Kebenaran :

Contoh :
A
B
AB

AB

= Hari ini mendung.


= Hari ini hujan.
= Jika hari ini mendung dan hanya jika hari ini hujan.

FUNGSI LOGIKA LAINNYA (TAMBAHAN)


No.

Perangkai Logika

Istilah

Simbol

6.

Not And

N-and

7.

Not Or

N-or

8.

Exlusive Or

X-or

(+)

6. Not And ( | ) = tidak dan


Yaitu kebalikan konjungsi, proposisi yang bernilai FALSE (salah) jika
proposisi A dan B keduanya TRUE (benar), dan proposisi yang lainnya
pasti benar.
Tabel Kebenaran :
A

A|B

7. Not Or ( ) = tidak atau


Yaitu kebalikan disjungsi, proposisi yang bernilai TRUE (benar) jika
proposisi A dan B keduanya FALSE (salah), dan proposisi yang lainnya
pasti FALSE (salah).
Tabel Kebenaran :
A

AB

8. Ex Or ( (+) ) = exlusive or
Yaitu kebalikan biimplikasi, proposisi yang bernilai FALSE (salah) jika
proposisi A dan B bernilai sama.
Tabel Kebenaran :
A

A (+) B

7.3 Tautologi, Kontradiksi dan Contingent


Tautology adalah suatu bentuk kalimat yang selalu bernilai benar, tidak
peduli dengan kalimat-kalimat penyusunnya/premis.
Kontradiksi suatu bentuk kalimat yang selalu bernilai salah/ false tidak
peduli dengan kalimat kalimat penyusunnya. Dalam table kebenaran,
suatu tautology pada semua barisnya bernilai benar, begitupun
kontradiksi pada semua barisnya bernilai salah.
Countingent terjadi Jika pada semua nilai kebenaran bernilai True dan
False maka disebut dengan formula campuran.
Contoh :

Contoh P (~P) adalah tautologi


P
T
T
F
F

Penyelesaian :
(~P) P
(~P)
F
T
F
T
T
T
T
T

Contoh Tabel Kebenaran (p q) [(~p)(~q)] adalah tautology


p

~p

~q

(~p)(

(p q)

T
T
F
F

T
F
T
F

F
F
T
T

F
T
F
T

q
T
T
T
F

~q)
F
F
F
T

[(~p)(~q)]
T
T
T
T

Contoh Tabel Kebenaran (p q) [(~p)(~q)] adalah kontradiksi !


p

~p

~q

T
T
F
F

T
F
T
F

F
F
T
T

F
T
F
T

p
q
T
T
T
F

(~p)(
~q)
F
F
F
T

(p q)
[(~p)(~q)]
F
F
F
F

Contoh Tabel Kebenaran [(pq)=>r]=>p kontingen !


P

T
T
T
T
F
F
F
F

T
T
F
F
T
T
F
F

T
F
T
F
T
F
T
F

7.4
Logika Proposisi

P
q
T
T
F
F
F
F
F
F

[(pq)=
>r
T
F
T
T
T
T
T
T

[(pq)=>r]
=>p
T
T
T
T
F
F
F
F

Resolusi

Menggunakan resolusi yaitu suatu teknik pembuktian yang lebih efisien,


sebab fakta-fakta yang akan dioperasikan terlebih dahulu dibawa ke
bentuk standar yang sering disebut dengan nama klausa.Pembuktian
suatu pernyataan menggunakan resolusi ini dilakukan dengan cara
menegasikan pernyataan tersebut, kemudian dicari kontradiksinya dari
pernyataan-pernyataan yang sudah ada.
Contoh 1 : Algoritma konversi ke bentuk klausa :
1. Konversi a b menjadi a v b
2. Reduksi skope dari sebagai berikut :
( a ^ b) a v b
( a v b) a ^ b
x : P(x) x : P(x)
x : P(x) x : P(x)

Contoh 2 Menggunakan Kalimat :


Misalkan
p: hari ini hari minggu
q: hari ini libur nyatakan kalimat dibawah ini dengan simbol logika :
a.
b.
c.

Hari ini tidak hari minggu tetapi libur


Hari ini tidak hari minggu dan tidak libur
Tidak benar bahwa hari ini hari minggu dan libur

Penyelesaian
a. tetapi berarti sama dengan dan sehingga kalimat (a) ditulis
sebagai : p ^ q
b. p ^q
c. (p ^ q)

BAB 8
8.1 Fungsi Fungsi Logika Predikat
Kalkulus predikat memungkinkan kita untuk memecahkan statement ke dalam bagian
komponen, yang disebut objek, karakteristik objek atau beberapa keterangan objek. Suatu
proposisi atau premis dibagi menjadi dua bagian, yaitu Argumen (atau objek) dan Predikat
(keterangan). Argumen adalah individu atau objek yang membuat keterangan. Predikat adalah
keterangan yang membuat argumen dan predikat.
Dalam suatu kalimat, predikat dapat berupa kata kerja atau bagian kata kerja.

Predikat kalkulus membolehkan penggunaan simbol untuk mewakili fungsi-fungsi, Misalnya:


Ayah(Raka) = Handono
Ibu(Fira) = John
Fungsi dapat digunakan bersamaan dengan predikat. Misalnya, predikat berikut menjelaskan
bahwa Handono dan John adalah berteman :
Teman(ayah(Raka),ibu(Fira)))=teman(Handono,John)
Predikat kalkulus menggunakan operator yang sama seperti pada logika proporsional pada
umumnya.

8.2 Logika dan Set Order Pertama


Logika First-Orderdigunakan untuk merepresentasikan hal-hal yang tidak
dapat direpresentasikan menggunakan Logika Proposisi. Dalam first-order
logic yang paling utama adalah bahwa dunia berisi objek-objek yaitu
identitas (ciri-ciri individu) dan sifat (properties) yang membedakan
mereka dengan objek yang lain. Diantara objek tersebut, akan dibuat
bermacam-macam relasi. Beberapa relasi adalah fungsi yaitu hubungan
dimana hanya ada satu nilai untuk satu input. Jadi pada first-order logic
mengasumsikan world memuat :
Objek : hal-hal yang berhubungan dengan identitas individu, misalnya :
manusia, rumah, teori-teori, warna, mobil, dan lain-lain.
Sifat (properties): sifat benda yang membedakannya dari benda lain,
misalnya: merah, bulat, tipis, dan lain-lain

Relasi : hubungan antara benda yang satu dengan benda yang lainnya,
misalnya: lebih besar dari, lebih kecil dari, memiliki, terjadi setelah, dan
lain-lain.
Fungsi (Functions): merupakan subset dari hubungan di mana hanya ada
satu nilai untuk setiap input yang diberikan, misalnya: ayah dari,
teman baik, dan lain-lain.
CONTOH
teman(george,allen)
teman(ayah_dari(david),ayah_dari(andrew))
dimana :
argument : ayah_dari(david) adalah george
argument : ayah_dari(andrew) adalah allen
predikat : teman

8.3 Quantifier Universal


Kuantor Universal/ Umum ( Universal Quantifier ), notasinya :
Simbol UniversalQuantifier menggantikan kata untuksemua, untuk
seluruh.Dan digunakan pada pembentukan formula dengan bentuk:
(x) (x)
Contoh:
Semua Gajah mempunyai belalai, Jika G adalah gajah dan B adalah
belalai maka ditulis dalam kuantor universal menjadi , dibaca Jika x
adalah Gajah maka, x mempunyai belalai.Belum bisa dibuktikan
secara predikat karena jumlah gajah bisa banyak bisa saja cuma
satu, maka diperluas menjadi , dibaca Untuk semua x, jika x
seekor gajah, maka x mempunyai belalai

8.4 Quantifier Eksistensial


Kuantor Khusus ( Kuantor ( Eksistensial Quantifier ), notasinya :
Simbol ExistentialQuantifier menggantikan kata ada, beberapa,
tidaksemua, terdapat.Dan digunakan pada pembentukan formula
dengan bentuk:
(x) (x)
Contoh:

Ada bilangan prima yang genap Jika P adalah bilangan prima dan G
adalah genap, argumen tersebut dapat dibaca Ada x, yang x adalah
bilangan prima dan x adalah genap,

8.5 Resolusi Logika Predikat


Logika First-Order digunakan dalam ilmu Intelejensi Buatan sebagai Representasi
Pengetahuan. Persolan yang ada memiliki pernyataanlebih kompleks lagi tapi dapat
diselesaikan dengan Pelacakan Terbalik(Backward). Dengan metode yang digunakan berupa
First Order maka Kurang lebih Resolusinya akan menjadi seperti
Contoh Diberikanpernyataan sebagai berikut:
1. Andi adalah seorang mahasiswa
2. Andi masuk jurusan Informatika
3. Setiap mahasiswa Informatikapasti mahasiswa Teknik
4. Kalkulus adalah matakuliah yangsulit
5. Setiap mahasiswa teknik pastiakan suka kalkulus atau akan membencinya
6. Setiap mahasiswa pasti akansuka terhadap suatu matakuliah
7. Mahasiswa yang tidak pernah hadir pada kuliah matakuliah sulit, maka
mereka pasti tidak suka terhadap matakuliah tersebut
8. Andi selalu hadir kuliah matakuliah kalkulus.
Mencari Resolusi dari pertanyaan Apakah Andi suka matakuliah kalkulus?
Pernyataan yang telah menjadi bentuk formula:
1. mahasiswa(Andi)
2. Informatika(Andi)
3. x: Informatika(x)Teknik(x)
4. x: Teknik(x)suka(x, kalkulus) benci(x, kalkulus)
5. x: y: suka(x,y)
6. x: y: mahasiswa(x)sulit(y)hadir(x,y) suka(x,y)
7. hadir(Andi,kalkulus)
Pernyataan Apakah Andi suka matakuliah memiliki resolusi kalkulus =
suka(Andi,kalkulus)?
Dilakukan Backward /Pelacakan dari belakang seperti yang biasa diterapkan
pada ilmu Artificial Intelegence atau Intelejensi Buatan dengan cara berikut:
Andi suka matakuliah kalkulus = suka(Andi,kalkulus)
Substitusi :
mahasiswa(Andi)
sulit(kalkulus)
hadir(Andi,kalkulus)
Hasilnya Mahasiswa Andi , dengan Sulitnya Matakuliah Kalkulus, Andi Hadir.
Maka Kesimpulan terakhir bisa ditarik adalah suka(Andi,kalkulus)

BAB 9
9.1 Mengubah Inferensi Pertama menjadi Inferensi
Proporsi
9.2 Unifikasi (Pemadanan)
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.
Suatu substitusi (substitution) adalah suatu himpunan penetapan istilahistilah kepada peubah, tanpa ada peubah yang ditetapkan lebih dari satu
istilah. Sebagai pengetahuan jantung dari eksekusi Prolog, adalah
mekanisme unifikasi.
Aturan-aturan unifikasi :
1. Dua atom (konstanta atau peubah) adalah identik.
2. Dua daftar identik, atau ekspresi dikonversi ke dalam satu buah
daftar.
3. Sebuah konstanta dan satu peubah terikat dipersatukan, sehingga
peubah menjadi terikat kepada konstanta.
4. Sebuah peubah tak terikat diperssatukan dengan sebuah peubah
terikat.
5. Sebuah peubah terikat dipersatukan dengan sebuah konstanta
jika pengikatan pada peubah terikat dengan konstanta tidak ada
konflik.
6. Dua peubah tidak terikat disatukan. Jika peubah yang satu lainnya
menjadi terikat dalam upa-urutan langkah unifikasi, yang lainnya
juga menjadi terikat ke atom yang sama (peubah atau konstanta).
7. Dua peubah terikat disatukan jika keduanya terikat (mungkin
melalui pengikatan tengah) ke atom yang sama (peubah atau
konstanta).

9.3 Generalized Modus Ponens (GMP)


Modus ponens adalah metode penarikan kesimpulan apabila ada
pernyataan "p q" dan diketahui "p" maka bisa ditarik kesimpulan "q".
Contoh dalam kalimat:
p
: Hari ini hari Senin.

q
: Saya belajar Matematika Diskrit.
pq
: Jika hari ini hari Senin maka saya belajar Matematika
Diskrit.
p
: Hari ini hari Senin.
kesimpulan(q) : Saya belajar Matematika Diskrit.
Tabel kebenaran modus ponens ((p q) p) q :

tabel 1: tabel kebenaran modus ponens

9.4 Rangkaian Forward & Backward

BAB 10
10.1 Ketidakpastian
10.2 Probabilitas dan Teorema Bayes
Teorema Bayes adalah teorema yang digunakan untuk menghitung
peluang dalam suatu hipotesis, Teorema bayes dikenalkan oleh ilmuan
yang bernama Bayes yang ingin memastikan keberadaan Tuhan dengan
mencari fakta di dunia yang menunjukan keberadaan Tuhan. Bayes
mencari fakta keberadaan tuhan didunia kemudian mengubahnya dengan
nilai Probabilitas yang akan dibandingkan dengan nilai Probabilitas.
teorema ini juga merupakan dasar dari statistika Bayes yang memiliki
penerapan dalam ilmu ekonomi mikro, sains, teori permain, hukum dan
kedokteran.
Thomas Bayes, menggambarkan hubungan antara peluang bersyarat dari
dua kejadian A dan B sebagai berikut:

atau

Contoh soal
Di sebuah negara, diketahui bahwa 2% dari penduduknya menderita
sebuah penyakit langka. 97% dari hasil tes klinik adalah positif bahwa
seseorang menderita penyakit itu. Ketika seseorang yang tidak menderita

penyakit itu dites dengan tes yang sama, 9% dari hasil tes memberikan
hasil positif yang salah.Jika sembarang orang dari negara itu mengambil
test dan mendapat hasil positif, berapakah peluang bahwa dia benarbenar menderita penyakit langka itu?

Jawab
P (A) = 2%
P () = 98%
P (B | A) = 97%
P (B | ) = 9%P (B A) = P (A) P (B | A) = 2% 97% = 0,0194P (B )
= P ( ) P (B | ) = 98% 9% = 0,0882P ( A) = P (A) P ( | A) =
2% 3% = 0,0006
P( ) = P () P ( | ) = 98% 91% = 0,8918

10.3 Faktor Kepastian


Faktor kepastian merupakan suatu metode yang digunakan untuk mengukur suatu keyakinan
seseorang. Inputnya adalah berupa kepastian dari pakar serta kepastian dari user.
Berikut bentuk formal dari CF :
CFevidence (sebagai premis, yaitu kesimpulan yang bersifat umum).
CFhypotesis (sebagai konklusi, yaitu pendapat yang dapat mempengaruhi)
CFCombinasi (kombinasi dari CFevidence dan CFhypotesis)
Contoh Sederhana Faktor Kepastian :
JIKA batuk
DAN demam
DAN sakit kepala
DAN bersin-bersin
MAKA influensa, CF: 0,7

Kelebihan dan Kekurangan Metode Certainty Factor (CF)


Kelebihan metode Certainty Factor adalah:
1. Metode ini cocok dipakai dalam sistem pakar untuk mengukur sesuatu apakah pasti
atau tidak pasti dalam mendiagnosis penyakit sebagai salah satu contohnya.
2. Perhitungan dengan menggunakan metode ini dalam sekali hitung hanya dapat
mengolah 2 data saja sehingga keakuratan data dapat terjaga.
Kekurangan metode Certainty Factor adalah:
1. Ide umum dari pemodelan ketidakpastian manusia dengan menggunakan numerik
metode certainty factor biasanya diperdebatkan. Sebagian orang akan membantah

pendapat bahwa formula untuk metode certainty factor diatas memiliki sedikit
kebenaran.
2. Metode ini hanya dapat mengolah ketidakpastian/kepastian hanya 2 data saja. Perlu
dilakukan beberapa kali pengolahan data untuk data yang lebih dari 2 buah.

10.4 Teori Dempster Shafer


Metode Dempster-Shafer merupakan suatu teknik yang mendukung proses
pengambilan keputusan, pertama kali diperkenalkan oleh Beynon, Curry dan
Morgan di tahun 2000 dan dikembangkan lebih lanjut oleh Beynon, Cosker dan
Marshall di tahun 2002. Dalam metode ini, kriteria dan alternative keputusan
disusun dalam bentuk hirarki (hierarchical decision structure), seperti pada
metode AHP. Pembobotan terhadap decision alternative/group alternative (DA)
dilakukan terhadap seluruh alternative, kemudian penggabungan alternative
antar kriteria dilakukan dengan menggunakan dempster-shafer theory (DST).
CONTOH : John Pieter adalah calon mahasiswa Potensi utama yang berasal dari
kota Ambon di Sumatera Utara. Terdapat 3 jurusan yang diminati oleh John Pieter
yaitu:
1. Sistem Informasi (SI)
2. Teknik Informatika (TI)
3. Manajemen Informatika (MI)
Untuk itu John Pieter mengikuti tes ujian masuk. Uji tes pertama berupa Logika
dengan hasil tes menunjukkan probabilitas densitas m1{SI,TI} = 0.75. Uji tes
kedua berupa matematika dengan probabilitas densitas adalah m2{MI} = 0.3.
Selanjutnya pada uji tes ketiga berupa pemrograman dengan densitas
probabilitas m4{TI} = 0.8. Tentukan probabilitas densitas dari kombinasi gejala
hasil tes yang didapatkan oleh John Pieter!
Penyelesaian
m1{SI,TI} = 0.75
m1{}
= 1 0.75
= 0.25
m2{MI} = 0.3
m2{}
= 1 0.3
= 0.7
Aturan kombinasi untuk m3
{SI,TI
}

0.75

{MI}

0.25

{MI}

0.3
0.22
5
0.07
5

{SI,TI}

0.7
0.525

0.175

0.8
0.07
68
0.54
16
0.18

{MI}

0.2
0.0192

{SI,TI}

0.1354

0.045

m4{TI} = 0.8
m4{} = 1 0.8
= 0.2
Aturan kombinasi untuk m4
{MI}

0.096

{TI}

{SI,TI
}

0.677

{TI}

0.225

{TI}

Jadi, dapat disimpulkan bahwa probabilitas densitas terbesar Surya Darma


masuk jurusan Teknik Informatika.
REFERENSI

http://sunny.staff.gunadarma.ac.id/Downloads/folder/0.0
http://yuk-belajar-online.blogspot.co.id/2014/10/metodecertainty-factor-cf.html
http://funpreuner.blogspot.co.id/2012/07/sekilas-tentang-metodecertainty-factor.html
http://indutrial-engineering.blogspot.co.id/2012/05/peluangbersyarat.html
http://ikhwan-perbaungan.blogspot.co.id/2014/09/teorema-bayesdan-contoh-teorema-bayes.html
http://garda-pengetahuan.blogspot.co.id/2012/04/modus-ponensmodus-tollens-dan-contohnya.html
http://hyperpost.blogspot.co.id/2014/10/logika-informatikapenarikan-kesimpulan.html
http://muhammadrhifkywayahdi.blogspot.co.id/2015/01/teoridempster-shafer.html
http://globalsearch1.blogspot.co.id/2013/12/metode-dempstershafer.html
http://lichaalmakky.blogspot.co.id/2011/09/materi-kuantor.html
https://edyhr.wordpress.com/2010/12/11/first-order-logickalkulus-predikat/
http://ulungsatria.webs.com/apps/blog/show/10671951-logikapredikathttp://slametgo-blog.blogspot.co.id/2016/01/logika-predikat.html
http://afifrahma.blogspot.co.id/2013/01/resolusi-untuk-logikapredikat.html
http://allink-gilbert.blogspot.co.id/2010/10/operator-logika.html