Pertemuan Ke : 2

Automated Reasoning &

Inferensi
Dosen :
DR. Pahala Sirait, M.Kom
Syanti Irviantina,S.Kom. M.Kom

PRODI. TEKNIK INFORMATIKA (S-1)

1
 Outline
• Trees, Lattice dan Graph
• AND-OR Tree dan Goals
• Rangkaian Forward dan Backward
• Logika Deduktif dan Syllogisms
• Aturan dari Inferensi
• Logika Pembatasan dari Proposisional
• Shallow dan Casual Reasoning

2
Tree (Pohon) dan Graph (1/6)
• Tree (pohon) adalah suatu hierarki struktur yag terdiri dari
Node (simpul/verteks) 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/akar
- Node terendah disebut leave/daun

3
Tree (Pohon) dan Graph (2/6)
• Tree merupakan tipe khusus dari jaringan semantik, yang
setiap nodenya (kecuali akar),
• Mempunyai satu node orang tua dan
• Mempunyai nol atau lebih node anak.
• Tree adalah kasus khusus dalam Graph
• Graph dapat mempunyai nol atau lebih link di antara node
dan tidak ada perbedaan antara orang tua dan anak

4
Tree (Pohon) dan Graph (3/6)

5
Tree (Pohon) dan Graph (4/6)
• Beberapa contoh graph sederhana

6
Tree (Pohon) dan Graph (5/6)
• Dalam graph, link dapat ditunjukkan berupa panah
atau arah yang memadukan node dan bobot yang
merupakan karakteristik beberapa aspek dari link
• Graph asiklik adalah graph yang tidak mengandung
siklus
• Graph dengan link berarah disebut digraph
• Graph asiklik berarah disebut lattice

7
Tree (Pohon) dan Graph (6/6)
• 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.

8
Contoh 1 (1/2)

9
Contoh 1 (2/2)
• Aturan produksi (IF ... THEN ....) dari contoh tsb adalah:
IF pertanyaan = “Apakah dia bertubuh besar?”
AND jawaban = “Tidak”
THEN pertanyaan = “Apakah dia mencicit?”
IF pertanyaan = “Apakah dia bertubuh besar?”
AND jawaban = “Ya”
THEN pertanyaan = “Apakah dia mempunyai leher
panjang?”
dst

10
Pohon AND-OR (1/4)
• Untuk menemukan solusi problem dapat
menggunakan rangkaian backward dan Forward
yaitu dengan tree AND-OR
• Banyak tipe sistem 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

11
Pohon AND-OR (2/4)
• Pengkodean yang diperoleh saat knowledge acquisition
• A1 = suhu tubuh >= 38°C
• A2 = pusing
• A3 = pilek
• A4 = batuk
• A5 = batuk yang terus menerus dimalam hari
• A6 = nafas berbunyi
• P1 = demam biasa
• P2 = batuk biasa
• P3 = influensa/infeksi virus
• P4 = batuk rejan
• P5 = infeksi saluran nafas
12
Pohon AND-OR (3/4)
• Rule yang ada pada knowledge base
• R1 : IF A1 THEN P1
• R2 : IF A4 THEN P2
• R3 : IF (P1 or A2) and (P2 or A3) THEN P3
• R4 : IF P3 and A5 THEN P4
• R5 : IF P3 and A6 THEN P5
• Fakta-fakta yang diperoleh dari user adalah demam,
pusing, batuk dan batuk tersebut lebih sering di malam hari
(A1, A2, A4, A5 -> benar)

13
Pohon AND-OR(4/4)
• Tree untuk rule tersebut :

14
Tipe-Tipe Inferensi (1/8)

15
Penalaran Deduktif dan Silogisme
(1/3)
• Suatu logika argument adalah kumpulan dari pernyataan-
pernyataan yang dinyatakan untuk dibenarkan sebagai dasar
dari rantai penalaran.
• Salah satu jenis logika argumen adalah Silogisme.
• Contoh :
 Premise mayor : Siapapun yang dapat membuat
program adalah pintar
 Premise minor : John dapat membuat program
 Conclusion : Oleh karenanya John adalah pintar

16
Penalaran Deduktif dan Silogisme
(2/3)
• Proses deduktif pada contoh pada slide sebelumnya
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
• Karakteristik logika deduktif adalah kesimpulan benar harus
mengikuti dari premis yang benar.

17
Penalaran Deduktif dan Silogisme
(3/3)
• Silogisme adalah suatu proses penarikan kesimpulan secara
deduktif. Silogisme disusun dari dua proposisi (pernyataan)
dan sebuah konklusi (Kesimpulan)
• Silogisme dapat direpresentasikan ke dalam bentuk aturan
IF... THEN, contoh:
JIKA siapapun yang dapat membuat program adalah
pintar DAN John dapat membuat program
MAKA John adalah pintar

18
Jenis-Jenis Silogisme
• Silogisme Klasik (Categorical Syllogism)
• Silogisme Hipotetik
• Silogisme Alternatif
• Entimen
• Silogisme Disjungtif

19
Hukum-Hukum Categorical Syllogism
1. Apabila salah satu premis bersifat partikular,maka kesimpulan harus
partikular juga
2. Apabila salah satu premis bersifat negatif, maka kesimpulannya harus
negatif juga
3. Apabila kedua premis bersifat partikular, maka tidak sah diambil
kesimpulan
4. Apabila kedua premis bersifat negatif, maka tidak akan sah diambil
kesimpulan
5. Apabila term penengah dari suatu premis tidak tentu, maka tidak
akan sah diambil kesimpulan
6. Term-predikat dalam kesimpulan harus konsisten dengan term
predikat yang ada pada premisnya. Apabila tidak konsisten, maka
kesimpulannya akan salah
7. Term penengah harus bermakna sama, baik dalam premis mayor
maupun premis minor. Bila term penengah bermakna ganda
kesimpulan menjadi lain 20
 Kaidah dari Inferensi (1/4)
• Logika 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
21
• 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

22
• Terdapat argumen yang menyerupai ponens namun perlu dibuktikan
validitasnya.
• Contoh :
Jika tidak ada kesalahan maka program dapat mengkompile
Program dapat mengkompile
 Tidak ada kesalahan
pq
q atau pq, q;  p
p

23
• Skema argumen lain :
pq
~q
 ~p

• Argumen di atas disebut Tollens / indirect reasoning / law of

contraposition.

24
Beberapa Hukum Inferensi

25
26
Kaidah dari Inferensi (2/4)
• 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 27
Kaidah Inferensi (3/4)
• Kondisional p q mempunyai converse,
inverse dan kontrapositif

28
Kaidah Inferensi (4/4)
 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 29
KETERBATASAN LOGIKA PROPOSISI (1/3)
• Argumen invalid sering diinterpretasikan sebagai konklusi yang salah
(walaupun beberapa orang berpendapat argumen itu dapat saja bernilai
benar).

• Argumen yang invalid berarti argumen tersebut tidak dapat dibuktikan

dengan logika proposisi.

• Keterbatasan logika proposisi dapat diatasi melalui logika predikat sehingga

argumen tersebut menjadi valid.

• Kenyataannya, semua logika silogistik adalah subset yang valid dari logika
proposisi urutan pertama.

30
KETERBATASAN LOGIKA PROPOSISI (3/3)

• Contoh :
If Socrates is a man, then Socrates is mortal
Socrates is a man
Therefore, Socrates is mortal
Misal: p = Socrates is a man
q = Socrates is mortal
Argumennya menjadi :
pq
p
q
• Argumen di atas adalah silogistik yang valid, yaitu
bentuk modus ponens.
31
Shallow (Dangkal) Penalaran Causal (1/7)

• Contoh : Penalaran shallow

• Pada penalaran shallow, tidak ada atau hanya terdapat sedikit

pemahaman dari subjek, dikarenakan tidak ada atau hanya
terdapat sedikit rantai inferensi.

32
 Shallow (Dangkal) Penalaran Causal (2/7)

• Keuntungan dari penalaran shallow adalah kemudahan dalam

pemograman, yang berarti waktu pengembangan program
menjadi singkat, program menjadi lebih kecil, lebih cepat dan
biaya pengembangan menjadi murah.
• Penalaran causal disebut juga penalaran mendalam (deep
reasoning), karena pemahaman yang mendalam diperoleh dari
pemahaman rantai causal kejadian yang terjadi, atau dengan
kata lain kita dapat memahami proses dari suatu abstrak yang
disajikan.

33
• 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 good tires
THEN the car will move

34
Shallow (Dangkal) Penalaran Causal (3/7)

• Frame dan jaringan semantik adalah contoh model yang

menggunakan penalaran causal
• 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”.

35
Shallow (Dangkal) Penalaran Causal (4/7)

•s

36
Shallow (Dangkal) Penalaran Causal (5/7)

•s

37
Shallow (Dangkal) Penalaran Causal (6/7)

•s

38
38
Shallow (Dangkal) Penalaran Causal (7/7)

• 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).

39
40
41