CRITICAL BOOK REVIEW

MK. VIRTUAL & AUGMENTED

REALITY
PRODI S1 PTIK - FT

Skor Nilai :

CBR (Critical Book Review)

Maulana Dhaffa Abira 5173151023

Muhammad Amin Rais 5173151024

DOSEN PENGAMPU: Tansa Trisna Astono Putri, S.Kom., M.T.I

MATA KULIAH: Artificial Intelligence

PROGRAM STUDI S1 PENDIDIKAN TEKNIK INFORMATIKA

FAKULTAS TEKNIK – UNIVERSITAS NEGERI MEDAN
MEDAN
14 OKTOBER 2020

1
 KATA PENGANTAR

Puji syukur kita panjatkan kepada allah SWT yang telah memeberikan hidayah,
kemudahan kepada kita sehingga kita dapat menyelesaikan tugas CBR ini sesuai dengan
apa yang kita harapkan. Tugas CBR yang kami buat ini membahas tentang proses
review dua buku yang sudah ditugaskan kepada kami dan diselesaikan dengan tujuan
untuk menyelesaikan mata kuliah Artifical Intelligence.

Tugas ini CBR dibuat untuk menjelaskan tentang kekurangan dan kelebihan, dan
sebuah analisis terhadap buku yang di review. Tugas CBR ini kami peroleh dan kami
kerjakan dari buku-buku yang telah disediakan.

Tentunya hal-hal yang ingin kami sajikan dari hasil tugas CBR ini kami harap
dapat menambah pengetahuan dan informasi. Karena itu kami berharap semoga tugas
CBR ini dapat menjadi sesuatu yang berguna bagi kita bersama.

Bila ada kesalahan kata-kata dan informasi didalam tugas ini kami memohon
maaf dan menerima kritik dan saran oleh dosen agar tugas ini akan lebih baik lagi

Medan , 14 Oktober 2020

                                                             

Penulis

2
 DAFTAR ISI

KATA PENGANTAR 2
DAFTAR ISI...................................................................................................................................3
BAB I PENDAHULUAN 4
1.1. Latar Belakang....................................................................................................4
1.2. Tujuan.................................................................................................................4
1.3. Manfaat...............................................................................................................4
BAB II ISI BUKU...........................................................................................................................5
2.1. Buku 1 : Artificial Intelligence: A Modern Approach........................................5
2.2. Buku 2 : Articial Intelligence............................................................................21
BAB III PEMBAHASAN/ANALISIS..........................................................................................30
3.1. Analisis Buku 1.................................................................................................30
3.2. Analisis Buku 2.................................................................................................31
3.3. Kelebihan dan kekurangan Buku......................................................................33
3.3.1. Buku 1.......................................................................................................33
3.3.2. Buku 2.......................................................................................................33
BAB IV PENUTUP.......................................................................................................................35
5.1. Kesimpulan.......................................................................................................35
5.2. Saran.................................................................................................................35

3
 BAB I
PENDAHULUAN

1.1. Latar Belakang

Sering kali kita bingung memilih buku referensi untuk kita baca dan
pahami.Terkadang kita memilih satu buku, namun kurang memuaskan hati
kita.Misalnya dari segi analisis bahasa, sistematika dari penjelasan, dan lain-lain. Oleh
karena itu, kami membuat Critical Book Report ini untuk mempermudah pembaca
dalam memilih buku referensi, terkhusus pada pokok bahasan tentang Artificial
Intelligence.
1.2. Tujuan

Kritik buku (critical book report) ini dibuat sebagai salah satu referensi ilmu yang
bermanfaat untuk menambah wawasan penulis maupun pembaca dalam mengetahui
kelebihan dan kekurangan suatu buku, menjadi bahan pertimbangan, dan juga
menyelesaikan salah satu tugas individu mata kuliah Artificial Intelligence pada
Jurusan Pendidikan Teknik Informatika dan Komputer di Universitas Negeri Medan.

1.3. Manfaat

 Membantu pembaca mengetahui gambaran dan penilaian umum dari sebuah

buku atau hasil karya lainnya secara ringkas.
 Mengetahui kelebihan dan kelemahan buku yang diresensi.
 Mengetahui latar belakang dan alasan buku tersebut diterbitkan.
 Memberi masukan kepada penulis buku berupa kritik dan saran terhadap cara
penulisan, isi, dan substansi buku.

4
 BAB II
ISI BUKU
2.1. Buku 1 : Artificial Intelligence: A Modern Approach

1. Pendahuluan

Manusia, tampaknya, mengetahui banyak hal; dan apa yang mereka ketahui membantu
mereka melakukan sesuatu. Ini bukan pernyataan kosong. Mereka membuat klaim yang
kuat tentang bagaimana kecerdasan manusia

Reasoning dicapai — bukan dengan mekanisme refleks murni tetapi dengan proses
penalaran yang beroperasi

Representasi representasi internal dari pengetahuan. Dalam ai, pendekatan kecerdasan

ini diwujudkan

2. Berbasis pengetahuan
a. Agen agen berbasis pengetahuan.

Agen pemecah masalah pada bab 3 dan 4 mengetahui banyak hal, tetapi hanya
dalam pengertian yang sangat terbatas dan tidak fleksibel. Misalnya, model transisi
untuk 8-puzzle — pengetahuan tentang tindakan yang dilakukan — tersembunyi di
dalam kode khusus domain dari fungsi result. Ini dapat digunakan untuk memprediksi
hasil tindakan tetapi tidak untuk menyimpulkan bahwa dua ubin tidak dapat menempati
ruang yang sama atau bahwa status dengan paritas ganjil tidak dapat dicapai dari negara
bagian dengan paritas genap. Representasi atom yang digunakan oleh agen pemecah
masalah juga sangat terbatas. Dalam lingkungan yang dapat diamati sebagian, satu-
satunya pilihan agen untuk mewakili apa yang diketahuinya tentang keadaan saat ini
adalah mencantumkan semua kemungkinan keadaan konkret — prospek tanpa harapan
dalam lingkungan besar.

Bab 6 memperkenalkan gagasan merepresentasikan negara bagian sebagai pemberian

nilai pada variabel; ini adalah langkah ke arah yang benar, memungkinkan beberapa
bagian agen bekerja dengan cara yang tidak bergantung pada domain dan
memungkinkan algoritme yang lebih efisien. Dalam bab ini dan

3. Logic

5
Yang mengikuti, kami mengambil langkah ini ke kesimpulan logisnya, sehingga untuk
berbicara - kami mengembangkan logika sebagai kelas umum representasi untuk
mendukung agen berbasis pengetahuan. Agen tersebut dapat menggabungkan dan
menggabungkan kembali informasi untuk memenuhi berbagai tujuan. Seringkali, proses
ini dapat sangat jauh dari kebutuhan saat ini — seperti ketika seorang ahli matematika
membuktikan sebuah teorema atau seorang astronom menghitung harapan hidup bumi.
Agen berbasis pengetahuan dapat menerima tugas baru dalam bentuk tujuan yang
dijelaskan secara eksplisit; mereka dapat mencapai kompetensi dengan cepat dengan
diberitahu atau mempelajari pengetahuan baru tentang lingkungan; dan mereka dapat
beradaptasi dengan perubahan lingkungan dengan memperbarui pengetahuan yang
relevan.

4. Knowledge-based agents
a. Dasar pengetahuan

Komponen utama dari agen berbasis pengetahuan adalah basis pengetahuannya, atau kb.
A knowl-basis tepi sentence adalah sekumpulan kalimat. (di sini "kalimat" digunakan
sebagai istilah teknis. Ini terkait tetapi tidak identik dengan kalimat bahasa inggris dan
bahasa alami lainnya.) Setiap kalimat adalah pengetahuan perwakilan bahasa
diekspresikan dalam bahasa yang disebut bahasa representasi pengetahuan dan
mewakili beberapa pernyataan axiom tentang dunia. Terkadang kita meninggikan
sebuah kalimat dengan nama aksioma, ketika kalimat tersebut dianggap sudah diberikan
tanpa diturunkan dari kalimat lain. Harus ada cara untuk menambahkan kalimat baru ke
basis pengetahuan dan cara untuk menanyakan apa yang diketahui. Nama standar untuk
operasi ini masing-masing adalah tell dan ask.

b. Inferensi

Kedua operasi mungkin melibatkan inferensi — yaitu, mengambil kalimat baru dari
yang lama. Inferensi harus mematuhi persyaratan bahwa ketika seseorang bertanya
pertanyaan tentang basis pengetahuan, jawabannya harus mengikuti dari apa yang telah
diceritakan (atau diceritakan) ke basis pengetahuan sebelumnya. Nanti di bab ini, kita
akan membahas lebih tepat tentang kata penting "ikuti". Untuk saat ini, anggaplah itu
berarti bahwa proses inferensi tidak boleh mengarang saat berjalan.

6
 c. Latar belakang pengetahuan

Yang awalnya mungkin berisi beberapa latar belakang pengetahuan. Setiap kali
program agen dipanggil, ia melakukan tiga hal. Pertama, ia memberitahu basis
pengetahuan apa yang ia rasakan. Kedua, ia meminta basis pengetahuan tindakan apa
yang harus dilakukan. Dalam proses menjawab pertanyaan ini, penalaran ekstensif dapat
dilakukan tentang keadaan dunia saat ini, tentang hasil dari kemungkinan urutan
tindakan, dan seterusnya. Ketiga, program agen memberitahu basis pengetahuan
tindakan mana yang dipilih, dan agen menjalankan tindakan tersebut. Detail bahasa
representasi disembunyikan di dalam tiga fungsi yang mengimplementasikan antarmuka
antara sensor dan aktuator di satu sisi dan representasi inti dan sistem penalaran di sisi
lain.

5. Make-percept-sentence

Membangun kalimat yang menyatakan bahwa agen tersebut merasakan persepsi yang
diberikan pada waktu tertentu. Make-action-query menyusun kalimat yang menanyakan
tindakan apa yang harus dilakukan saat ini. Terakhir, make-action-sentence membuat
kalimat yang menyatakan bahwa tindakan yang dipilih telah dieksekusi. Detail
mekanisme inferensi tersembunyi di dalam tell dan ask. Bagian selanjutnya akan
mengungkapkan detail ini.

Agen pada gambar 7.1 tampak sangat mirip dengan agen dengan status internal yang
dijelaskan dalam bab 2. Karena definisi tell dan ask, agen berbasis pengetahuan
bukanlah program sewenang-wenang untuk menghitung tindakan.

6. The wumpus world

Pada bagian ini kami menjelaskan lingkungan di mana agen berbasis pengetahuan dapat
menunjukkannya wumpus adalah sebuah gua yang terdiri dari ruangan-ruangan yang
dihubungkan melalui lorong-lorong. Mengintai di suatu tempat di dalam gua adalah
wumpus yang mengerikan, seekor binatang buas yang memakan siapa saja yang
memasuki kamarnya. Wumpus dapat ditembakkan oleh seorang agen, tetapi agen

7
tersebut hanya memiliki satu anak panah. Beberapa kamar berisi lubang tak berdasar
yang akan menjebak siapa saja yang berkeliaran di kamar ini (kecuali wumpus, yang
terlalu besar untuk jatuh). Satu-satunya ciri yang meringankan dari lingkungan yang
suram ini adalah kemungkinan menemukan tumpukan emas. Meskipun dunia wumpus
agak jinak menurut standar permainan komputer modern, hal itu menggambarkan
beberapa poin penting tentang kecerdasan.

Contoh dunia wumpus ditunjukkan pada gambar 7.2. Definisi yang tepat dari
lingkungan tugas diberikan, seperti yang disarankan dalam bagian 2.3, oleh deskripsi
peas:

• Ukuran kinerja: +1000 untuk memanjat keluar gua dengan membawa emas, –
1000 untuk jatuh ke lubang atau dimakan wumpus, –1 untuk setiap tindakan
yang diambil dan –10 untuk menggunakan panah. Permainan berakhir baik saat
agen mati atau saat agen keluar dari gua.
• Lingkungan: kisi ruangan berukuran 4 × 4. Agen selalu dimulai di kotak berlabel
[1,1], menghadap ke kanan. Lokasi emas dan wumpus dipilih secara acak,
dengan distribusi seragam, dari kotak selain kotak awal. Selain itu, setiap kotak
selain awal bisa menjadi lubang, dengan probabilitas 0,2.
• Aktuator: agen dapat bergerak maju, belok kiri sejauh 90◦, atau belok kanan
sejauh 90◦. Agen meninggal dalam kematian yang menyedihkan jika memasuki
kotak yang berisi lubang atau wumpus hidup. (aman, meskipun bau, untuk
memasuki alun-alun dengan gumpalan mati.) Jika agen mencoba bergerak maju
dan menabrak dinding, agen tidak akan bergerak. Action grab dapat digunakan
untuk mengambil emas jika berada di kotak yang sama dengan agen. Aksi
tembak dapat digunakan untuk menembakkan panah dalam garis lurus ke arah
yang dihadapi agen. Anak panah berlanjut hingga mengenai (dan karenanya
membunuh) wumpus atau menabrak dinding. Agen hanya memiliki satu panah,
jadi hanya aksi tembak pertama yang memiliki efek. Terakhir, aksi climb dapat
digunakan untuk memanjat keluar gua, tetapi hanya dari alun-alun [1,1].
• Sensor: agen memiliki lima sensor, yang masing-masing memberikan sedikit
informasi:

8
 - Pada bujur sangkar yang berisi wumpus dan di bujur sangkar yang
bersebelahan langsung (tidak secara diagonal), agen akan merasakan bau
busuk.
- Di kotak yang berbatasan langsung dengan lubang, agen akan melihat
angin sepoi-sepoi.
- Di alun-alun tempat emas berada, agen akan melihat glitter.
- Saat agen masuk ke dinding, ia akan melihat bump.
- Ketika wumpus terbunuh, ia mengeluarkan jeritan menyedihkan yang
dapat dirasakan di mana saja di dalam gua.

Persepsi akan diberikan kepada program agen dalam bentuk daftar lima simbol;
misalnya jika ada bau busuk dan angin sepoi-sepoi, tetapi tidak ada kilau, benturan, atau
teriakan, program agen akan mendapatkan [bau, angin, tidak ada, tidak ada, tidak ada].

Kita dapat mengkarakterisasi lingkungan wumpus dalam berbagai dimensi yang

diberikan pada bab 2. Jelas, ini adalah diskrit, statis, dan agen tunggal. (untung, wumpus
tidak bergerak). Ini berurutan, karena imbalan mungkin datang hanya setelah banyak
tindakan diambil. Ini sebagian dapat diamati, karena beberapa aspek negara tidak dapat
dilihat secara langsung: lokasi agen, kondisi kesehatan wumpus, dan ketersediaan
panah. Adapun lokasi pit dan wumpus: kita bisa memperlakukannya sebagai bagian tak
teramati dari keadaan yang kebetulan tidak dapat diubah — dalam hal ini, model transisi
untuk lingkungan sepenuhnya

Dikenal; atau kami dapat mengatakan bahwa model transisi itu sendiri tidak diketahui
karena agen tidak tahu tindakan forward mana yang fatal — dalam hal ini, menemukan
lokasi pit dan wumpus melengkapi pengetahuan agen tentang model transisi.

Untuk agen di lingkungan, tantangan utamanya adalah ketidaktahuan awalnya tentang

konfigurasi lingkungan; mengatasi ketidaktahuan ini tampaknya membutuhkan
penalaran logis. Dalam kebanyakan kasus di dunia wumpus, sangat mungkin bagi agen
untuk mengambil emas dengan aman. Kadang-kadang, agen harus memilih antara
pulang dengan tangan kosong atau mengambil risiko kematian untuk menemukan emas.
Sekitar 21% lingkungan sama sekali tidak adil, karena emas berada di dalam lubang
atau dikelilingi oleh lubang.

9
 7. Logic

Bagian ini merangkum konsep dasar representasi dan penalaran logis. Ide-ide indah ini
tidak bergantung pada bentuk logika tertentu. Oleh karena itu, kami menunda detail
teknis dari formulir tersebut hingga bagian berikutnya, menggunakan contoh aritmatika
biasa yang sudah dikenal.

8. Syntax

Diekspresikan menurut sintaks bahasa representasi, yang menentukan semua kalimat

yang terbentuk dengan baik. Pengertian sintaks cukup jelas dalam aritmatika biasa:

“x + y = 4” adalah kalimat yang dibentuk dengan baik, sedangkan “x4y + =” bukan.

9. Semantik

Logika juga harus mendefinisikan semantik atau arti kalimat. Definisi semantik

Kebenaran kebenaran setiap kalimat sehubungan dengan setiap kemungkinan dunia.

Misalnya, semantic dunia yang mungkin untuk aritmatika menetapkan bahwa kalimat
“x + y = 4” benar di dunia di mana x adalah 2 dan y adalah 2, tetapi salah di dunia di
mana x adalah 1 dan y adalah 1. Dalam logika standar, setiap kalimat harus bisa benar
atau salah di setiap kemungkinan dunia — tidak ada "di antara".

10. Model

Saat kita perlu tepat, kita menggunakan istilah model sebagai pengganti "kemungkinan
dunia". Sementara dunia yang mungkin dapat dianggap sebagai (berpotensi) lingkungan
nyata yang mungkin atau mungkin tidak dimiliki oleh agen, model adalah abstraksi
matematika, yang masing-masing hanya memperbaiki kebenaran atau kesalahan setiap
kalimat yang relevan. Secara informal, kita mungkin berpikir tentang dunia yang
mungkin, misalnya, memiliki x pria dan y wanita duduk di meja bermain jembatan, dan
kalimat x + y = 4 benar jika total ada empat orang. Secara formal, model yang mungkin
hanyalah semua kemungkinan penempatan bilangan real ke variabel x dan y. Setiap
tugas tersebut memperbaiki kebenaran setiap kalimat aritmatika yang variabelnya
adalah x dan y. Jika kalimat α benar dalam

10
Model kepuasan m, kita katakan bahwa m memenuhi α atau terkadang m adalah model
dari α. Kami menggunakan notasi m (α) yang berarti himpunan semua model α.
Sekarang kita memiliki gagasan tentang kebenaran, kita siap untuk berbicara tentang
penalaran logis. Ini hiburan melibatkan hubungan antara logika antar kalimat —
gagasan bahwa kalimat mengikuti secara logis dari kalimat lain. Dalam notasi
matematika, kami menulis.

11. Propositional logic: a very simple logic

Kami sekarang menyajikan logika sederhana namun kuat yang disebut logika
proposisional. Kami membahas sintaks logika proposisional dan semantiknya — cara di
mana kebenaran kalimat ditentukan. Kemudian kita melihat entailment — hubungan
antara kalimat dan kalimat lain yang mengikutinya — dan melihat bagaimana hal ini
mengarah ke algoritme sederhana untuk inferensi logis. Semuanya terjadi, tentu saja, di
dunia wumpus.

12. Semantik

Setelah menentukan sintaks logika proposisional, sekarang kita menentukan

semantiknya. Semantik mendefinisikan aturan untuk menentukan kebenaran kalimat
sehubungan dengan tertentu model truth value. Dalam logika proposisional, model
hanya menetapkan nilai kebenaran — benar atau salah — untuk setiap simbol proposisi.
Misalnya, jika kalimat dalam basis pengetahuan menggunakan simbol proposisi p1,2,
p2,2, dan p3,1, maka salah satu model yang mungkin adalah

M1 = {p1,2 = salah, p2,2 = salah, p3,1 = benar}.

Dengan tiga simbol proposisi, ada 23 = 8 model yang mungkin — persis seperti yang
digambarkan pada gambar 7.5. Perhatikan, bagaimanapun, bahwa model adalah objek
matematika murni tanpa koneksi yang diperlukan ke dunia wumpus. P1,2 hanyalah
sebuah simbol; itu bisa berarti "ada lubang di [1,2]" atau "saya di paris hari ini dan
besok."

Semantik untuk logika proposisional harus menentukan cara menghitung nilai

kebenaran kalimat apa pun, dengan mempertimbangkan model. Ini dilakukan secara
rekursif. Semua kalimat dibangun dari kalimat atom dan lima penghubung; oleh karena
itu, kita perlu menentukan bagaimana menghitung kebenaran kalimat atom dan

11
bagaimana menghitung kebenaran kalimat yang dibentuk dengan masing-masing dari
lima penghubung. Kalimat atom itu mudah:

• Benar benar di setiap model dan salah salah di setiap model.

• Nilai kebenaran dari setiap simbol proposisi lainnya harus ditentukan langsung
dalam model. Misalnya, dalam model m1 yang diberikan sebelumnya, p1,2
salah. Untuk kalimat kompleks, kami memiliki lima aturan, yang berlaku untuk
setiap sub-kalimat p dan q dalam model m (di sini "iff" berarti "jika dan hanya
jika"):
• ¬p benar jika p salah dalam m.
• P ∧ q bernilai benar jika p dan q bernilai benar dalam m.
• P ∨ q benar jika p atau q benar dalam m.
• P ⇒ q benar kecuali p benar dan q salah di m.
• P ⇔ q benar jika p dan q keduanya benar atau keduanya salah dalam m.
13. A simple inference procedure

Tujuan kita sekarang adalah memutuskan apakah kb | = α untuk beberapa kalimat α.

Misalnya, apakah ¬p1,2 disyaratkan oleh kb kita? Algoritme pertama kami untuk
inferensi adalah pendekatan pemeriksaan model yang merupakan implementasi
langsung dari definisi entailment: menghitung model, dan memeriksa bahwa α benar di
setiap model yang kb-nya benar. Model adalah penugasan benar atau salah untuk setiap
simbol proposisi. Kembali ke contoh dunia wumpus kita, proposisi yang relevan

Simbol tion adalah b1,1, b2,1, p1,1, p1,2, p2,1, p2,2, dan p3,1. Dengan tujuh simbol,
ada

27 = 128 model yang mungkin; dalam tiga di antaranya, kb benar (gambar 7.9). Dalam
tiga model tersebut, ¬p1,2 benar, maka tidak ada lubang di [1,2]. Di sisi lain, p2,2
adalah benar di dua dari tiga model dan salah di satu, jadi kita belum bisa mengatakan
apakah ada lubang di. Algoritma umum untuk memutuskan entailment dalam logika
proposisional ditunjukkan pada gambar 7.10. Seperti algoritme backtracking-search di
halaman 215, tt-entails? Melakukan pencacahan rekursif dari ruang terbatas penugasan
ke simbol. Algoritme ini bagus karena mengimplementasikan langsung definisi
entailment, dan lengkap karena berfungsi untuk setiap kb dan α dan selalu berakhir —
hanya ada banyak model yang harus diperiksa.

12
Tentu saja, "banyak yang pasti" tidak selalu sama dengan "sedikit". Jika kb dan α berisi
n simbol di semua, maka ada model 2n. Dengan demikian, kompleksitas waktu dari
algoritma ini adalah o (2n). (kompleksitas ruang hanya o (n) karena pencacahannya
mengutamakan kedalaman.) Kemudian di bab ini kami menunjukkan algoritme yang
jauh lebih efisien dalam banyak kasus. Sayangnya, propositional entailment adalah co-
np-complete (yaitu, mungkin tidak lebih mudah dari np-complete — lihat lampiran a),
jadi setiap algoritma inferensi yang diketahui untuk logika proposisional memiliki
kompleksitas kasus terburuk yang eksponensial dalam ukuran input.

14. Propositional theorem proving

Sejauh ini, kami telah menunjukkan cara menentukan entailment dengan pengecekan
model: enumerasi model dan menunjukkan bahwa kalimat harus dipegang di semua
model. Di bagian ini, kami menunjukkan bagaimana memerlukan-

Pembuktian teoremen dapat dilakukan dengan pembuktian teorema — menerapkan

aturan inferensi langsung ke kalimat dalam basis pengetahuan kita untuk membangun
bukti dari kalimat yang diinginkan tanpa model konsultasi. Jika jumlah model banyak
tetapi panjang pembuktiannya pendek, maka pembuktian teorema bisa lebih efisien
daripada pemeriksaan model.

Sebelum kita terjun ke detail algoritma pembuktian teorema, kita membutuhkan

beberapa

15. Logis

Equivalence konsep tambahan terkait dengan entailment. Konsep pertama adalah

kesetaraan logis: dua kalimat α dan β secara logis setara jika keduanya benar dalam
kumpulan model yang sama. Kami menulis ini sebagai α ≡ β. Misalnya, kita dapat
dengan mudah menunjukkan (menggunakan tabel kebenaran) bahwa p ∧ q dan q ∧ p
secara logis setara; persamaan lainnya ditunjukkan pada gambar 7.11. Kesetaraan ini
memainkan peran yang hampir sama dalam logika seperti identitas aritmatika dalam
matematika biasa. Definisi alternatif kesetaraan adalah sebagai berikut: dua kalimat α
dan β apa pun yang setara hanya jika masing-masing mengandung yang lain:

Α ≡ β jika dan hanya jika α | = β dan β | = α.

13
Validitas konsep kedua yang kita perlukan adalah validitas. Kalimat valid jika benar di
semua model. Untuk

Contoh tautology, kalimat p ∨¬p valid. Kalimat yang valid juga dikenal sebagai
tautologi — kalimat tersebut selalu benar. Karena kalimat true benar di semua model,
setiap kalimat valid secara logis setara dengan true. Apa gunanya kalimat yang valid?
Dari definisi kami tentang

Deduksi

Dalam teorema, kita dapat memperoleh teorema deduksi, yang dikenal oleh orang
yunani kuno:

Atau dengan membuktikan bahwa (α ⇒ β) setara dengan true. Sebaliknya, teorema

deduksi menyatakan bahwa setiap kalimat implikasi yang valid menggambarkan
inferensi yang sah.

Kepuasan konsep terakhir yang kita perlukan adalah kepuasan. Sebuah kalimat
memuaskan jika benar dalam, atau dipenuhi oleh, beberapa model. Misalnya, basis
pengetahuan yang diberikan sebelumnya, (r1 ∧ r2 ∧ r3 ∧ r4 ∧ r5), dapat dipenuhi karena
ada tiga model yang benar, seperti yang ditunjukkan pada gambar 7.9. Kepuasan dapat
diperiksa dengan menghitung model yang mungkin sampai ditemukan model yang
memenuhi kalimat tersebut. Masalah menentukan kepuasan kalimat

Sat dalam logika proposisional — masalah sat — adalah masalah pertama yang terbukti
np-complete. Banyak masalah dalam ilmu komputer yang benar-benar merupakan
masalah kepuasan. Misalnya, semua masalah kepuasan kendala di bab 6 menanyakan
apakah kendala tersebut dapat dipenuhi oleh beberapa penugasan.

Validitas dan kepuasan tentu saja terhubung: α valid jikaf ¬α tidak memuaskan;
sebaliknya, α memuaskan jika ¬α tidak valid. Kami juga memiliki hasil berguna berikut:

16. Inference and proofs

Aturan inferensi bagian ini mencakup aturan inferensi yang dapat diterapkan untuk
memperoleh bukti — rangkaian kesimpulan-

17. Proof by resolution

14
Kami berpendapat bahwa aturan inferensi yang dibahas sejauh ini bagus, tetapi kami
belum membahas pertanyaan tentang kelengkapan untuk algoritme inferensi yang
menggunakannya. Algoritme penelusuran seperti penelusuran dalam berulang (halaman
89) selesai dalam arti bahwa algoritme tersebut akan menemukan tujuan yang dapat
dicapai, tetapi jika aturan inferensi yang tersedia tidak memadai, maka tujuan tersebut
tidak dapat dijangkau — tidak ada bukti yang hanya menggunakan aturan inferensi
tersebut. Misalnya, jika kita menghapus aturan eliminasi dua syarat, bukti di bagian
sebelumnya tidak akan masuk.

Bagian saat ini memperkenalkan aturan inferensi tunggal, resolusi, yang menghasilkan
algoritme inferensi lengkap saat digabungkan dengan algoritme penelusuran lengkap
apa pun.

Kami mulai dengan menggunakan versi sederhana dari aturan resolusi di dunia
wumpus. Mari kita pertimbangkan langkah-langkah menuju gambar 7.4 (a): agen
kembali dari [2,1] ke [1,1] dan kemudian pergi ke [1,2], di mana ia merasakan bau,
tetapi tidak ada angin sepoi-sepoi. Kami menambahkan fakta berikut ke basis
pengetahuan:

18. Conjunctive normal form

Aturan resolusi hanya berlaku untuk klausa (yaitu, disjungsi literal), sehingga
tampaknya hanya relevan untuk basis pengetahuan dan kueri yang terdiri dari klausa.
Bagaimana, kemudian, dapat mengarah pada prosedur inferensi lengkap untuk semua
logika proposisional? Jawabannya adalah itu

Kata penghubung bentuk normal setiap kalimat logika proposisional secara logis
ekuivalen dengan konjungsi klausa. Kalimat yang diekspresikan sebagai konjungsi dari
klausa dikatakan dalam bentuk normal konjungtif atau cnf (lihat gambar 7.14). Kami
sekarang menjelaskan prosedur untuk mengubah ke cnf.

19. Forward and backward chaining

Algoritme forward-chaining pl-fc-entails? (kb, q) menentukan apakah satu simbol

proposisi q — kueri — diikutsertakan oleh basis pengetahuan klausa tertentu. Ini
dimulai dari fakta yang diketahui (literal positif) dalam basis pengetahuan. Jika semua
premis implikasi diketahui, kesimpulannya ditambahkan ke kumpulan fakta yang

15
diketahui. Misalnya, jika l1,1 dan breeze diketahui dan (l1,1 ∧ breeze) ⇒ b1,1 ada di
basis pengetahuan, maka b1,1 dapat ditambahkan. Proses ini berlanjut hingga kueri q
ditambahkan atau hingga tidak ada kesimpulan lebih lanjut yang dapat dibuat.
Algoritme rinci ditunjukkan pada gambar 7.15; hal utama yang harus diingat adalah
bahwa ini berjalan dalam waktu linier.

Cara terbaik untuk memahami algoritme adalah melalui contoh dan gambar. Gambar
7.16 (a) menunjukkan basis pengetahuan sederhana klausa horn dengan a dan b sebagai
fakta yang diketahui.

Gambar 7.16 (b) menunjukkan basis pengetahuan yang sama yang digambar sebagai
grafik and – or (lihat bab 4). Dalam grafik and – or, beberapa tautan yang digabungkan
dengan sebuah busur menunjukkan suatu hubungan — setiap tautan harus dibuktikan —
sementara beberapa tautan tanpa busur menunjukkan sebuah disjungsi — tautan apa pun
dapat dibuktikan. Mudah untuk melihat cara kerja rangkaian ke depan dalam grafik.
Daun yang diketahui (di sini, a dan b) ditetapkan, dan inferensi menyebarkan grafik
sejauh mungkin. Dimanapun konjungsi muncul, propagasi menunggu sampai semua
konjungsi diketahui sebelum melanjutkan. Pembaca didorong untuk mengerjakan
contoh secara mendetail.

Effective propositional model checking

Di bagian ini, kami menjelaskan dua kelompok algoritme efisien untuk inferensi
proposisional umum berdasarkan pemeriksaan model: satu pendekatan berdasarkan
penelusuran penelusuran mundur, dan satu pendekatan penelusuran mendaki bukit
lokal. Algoritma ini adalah bagian dari "teknologi" logika proposisional. Bagian ini
dapat dilihat sekilas pada bacaan pertama bab ini.

Algoritme yang kami gambarkan adalah untuk memeriksa kepuasan: masalah sat.
(seperti disebutkan sebelumnya, persyaratan pengujian, α | = β, dapat dilakukan dengan
menguji ketidakpuasan α ∧ ¬β.) Kami telah mencatat hubungan antara menemukan
model yang memuaskan untuk kalimat logis dan menemukan solusi untuk masalah
kepuasan kendala , jadi mungkin tidak mengherankan bahwa kedua kelompok algoritme
sangat mirip dengan algoritme penelusuran balik pada bagian 6.3 dan algoritme
penelusuran lokal pada bagian 6.4. Mereka, bagaimanapun, sangat penting dalam hak
mereka sendiri karena begitu banyak masalah kombinatorial dalam ilmu komputer dapat

16
direduksi menjadi pengecekan kelayakan kalimat proposisional. Setiap peningkatan
dalam algoritme kepuasan memiliki konsekuensi besar bagi kemampuan kami untuk
menangani kompleksitas secara umum.

20. A complete backtracking algorithm

a. Davis – putnam algoritma

Algoritma pertama yang kita pertimbangkan sering disebut algoritma davis-putnam,

setelah makalah mani oleh martin davis dan hilary putnam (1960). Algoritme ini
sebenarnya adalah versi yang dijelaskan oleh davis, logemann, dan loveland (1962), jadi
kami akan menyebutnya dpll setelah inisial dari keempat penulis. Dpll mengambil
sebagai masukan kalimat dalam bentuk normal konjungtif — sekumpulan klausa.
Seperti backtracking-search dan tt-entails ?, ini pada dasarnya adalah pencacahan
rekursif, kedalaman pertama dari model yang mungkin. Ini mewujudkan tiga
peningkatan atas skema sederhana tt-entails ?:

• pengakhiran awal: algoritme mendeteksi apakah kalimat tersebut harus benar atau
salah, bahkan dengan model yang diselesaikan sebagian. Sebuah klausa benar jika ada
literal yang benar, bahkan jika literal lain belum memiliki nilai kebenaran; karenanya,
kalimat secara keseluruhan dapat dinilai benar bahkan sebelum modelnya selesai.
Misalnya, kalimat (a ∨ b) ∧ (a ∨ c) benar jika a benar, terlepas dari nilai b dan c.
Demikian pula, kalimat salah jika ada klausa salah, yang terjadi ketika masing-masing
literal salah. Sekali lagi, ini bisa terjadi jauh sebelum model selesai. Pengakhiran dini
menghindari pemeriksaan seluruh subpohon di ruang pencarian.

21. Local search algorithms

Kami telah melihat beberapa algoritma pencarian lokal sejauh ini di buku ini, termasuk
hill-climbing

(halaman 122) dan simulated-annealing (halaman 126). Algoritme ini dapat diterapkan
langsung pada masalah kepuasan, asalkan kita memilih fungsi evaluasi yang tepat.
Karena tujuannya adalah untuk menemukan tugas yang memenuhi setiap klausa, fungsi
evaluasi yang menghitung jumlah klausa yang tidak memuaskan akan melakukan
pekerjaan itu. Nyatanya, ini persis ukuran yang digunakan oleh algoritma min-conflicts
untuk csp (halaman 221). Semua algoritme ini mengambil langkah-langkah dalam ruang
tugas lengkap, membalik nilai kebenaran satu simbol pada satu waktu. Ruang tersebut

17
biasanya berisi banyak minimum lokal, untuk menghindar dari mana diperlukan
berbagai bentuk keacakan. Dalam beberapa tahun terakhir, telah terjadi banyak
eksperimen untuk menemukan keseimbangan yang baik antara keserakahan dan
keacakan.

Salah satu algoritme paling sederhana dan paling efektif untuk muncul dari semua
pekerjaan ini disebut

Walksat (gambar 7.18). Pada setiap iterasi, algoritme mengambil klausa yang tidak
terpenuhi dan mengambil simbol di klausa untuk dibalik. Ini memilih secara acak antara
dua cara untuk memilih simbol mana yang akan dibalik: (1) langkah "konflik-min" yang
meminimalkan jumlah klausa yang tidak terpenuhi di negara bagian baru dan (2)
langkah "berjalan acak" yang mengambil simbol secara acak.

Ketika walksat mengembalikan model, kalimat input memang memuaskan, tetapi ketika
mengembalikan kegagalan, ada dua kemungkinan penyebab: kalimatnya tidak
memuaskan atau kita perlu memberi algoritme lebih banyak waktu. Jika kita
menetapkan max flips = ∞ dan p> 0, walksat pada akhirnya akan mengembalikan model
(jika ada), karena langkah random-walk pada akhirnya akan mencapai

22. The landscape of random sat problems

Beberapa masalah sat lebih sulit daripada yang lain. Masalah mudah dapat diselesaikan
dengan algoritme lama apa pun, tetapi karena kita tahu bahwa sat adalah np-complete,
setidaknya beberapa contoh masalah harus memerlukan waktu proses eksponensial. Di
bab 6, kita melihat beberapa penemuan mengejutkan tentang jenis masalah tertentu.
Misalnya, masalah n-queens — yang dianggap cukup rumit untuk menelusuri kembali
algoritme penelusuran — ternyata cukup mudah untuk metode penelusuran lokal,
seperti konflik kecil. Ini karena solusi terdistribusi sangat padat di ruang tugas, dan
setiap tugas awal dijamin memiliki solusi di dekatnya. Jadi, n-queens adalah mudah
karena underconstrained

23.Agents based on propositional logic

Pada bagian ini, kami menyatukan apa yang telah kami pelajari sejauh ini untuk
membangun agen dunia wumpus yang menggunakan logika proposisional. Langkah
pertama adalah memungkinkan agen untuk menyimpulkan, sejauh mungkin, keadaan

18
dunia berdasarkan sejarah persepsinya. Ini membutuhkan penulisan model logis lengkap
dari efek tindakan. Kami juga menunjukkan bagaimana agen dapat melacak dunia
secara efisien tanpa kembali ke sejarah persepsi untuk setiap kesimpulan. Terakhir,
kami menunjukkan bagaimana agen dapat menggunakan inferensi logis untuk
menyusun rencana yang dijamin mencapai tujuannya.

The current state of the world

Seperti yang dinyatakan di awal bab, agen logis beroperasi dengan menyimpulkan apa
yang harus dilakukan dari basis pengetahuan kalimat tentang dunia. Basis pengetahuan
terdiri dari aksioma — pengetahuan umum tentang cara kerja dunia — dan kalimat
persepsi yang diperoleh dari pengalaman agen di dunia tertentu. Pada bagian ini, kita
fokus pada masalah menyimpulkan keadaan dunia wumpus saat ini — di mana saya,
apakah kotak itu aman, dan seterusnya.

Kami mulai mengumpulkan aksioma di bagian 7.4.3. Agen mengetahui bahwa kotak
awal tidak berisi lubang (¬p1,1) dan tidak ada wumpus (¬w1,1). Lebih lanjut, untuk
setiap kotak, diketahui bahwa kotak tersebut berangin jika dan hanya jika kotak di
sekitarnya memiliki lubang; dan sebuah kotak akan berbau jika dan hanya jika sebuah
kotak di sekitarnya memiliki wumpus. Jadi, kami menyertakan banyak kumpulan
kalimat dengan bentuk berikut:

24.A hybrid agent

Agen hybrid dan 4 untuk memproduksi agen hybrid untuk dunia wumpus. Gambar 7.20
menunjukkan satu kemungkinan cara untuk melakukan ini. Program agen memelihara
dan memperbarui basis pengetahuan serta rencana terkini. Basis pengetahuan awal
berisi aksioma atemporal — aksioma yang tidak bergantung pada t, seperti aksioma
yang menghubungkan semilir persegi dengan adanya lubang. Pada setiap langkah
waktu, kalimat persepsi baru ditambahkan bersama dengan semua aksioma yang
bergantung pada t, seperti itu

Sebagai aksioma negara-penerus. (bagian selanjutnya menjelaskan mengapa agen tidak

memerlukan aksioma untuk langkah waktu mendatang.) Kemudian, agen menggunakan
inferensi logis, dengan asking pertanyaan dari basis pengetahuan, untuk menentukan
kotak mana yang aman dan mana yang belum dikunjungi.

19
Bagian utama dari program agen menyusun rencana berdasarkan prioritas tujuan yang
menurun. Pertama, jika ada glitter, program menyusun rencana untuk mengambil emas,
mengikuti rute kembali ke lokasi awal, dan keluar gua. Sebaliknya, jika tidak ada
rencana saat ini, program merencanakan rute ke safe square terdekat yang belum
dikunjungi, memastikan rute tersebut hanya melalui safe square. Perencanaan rute
dilakukan dengan pencarian a ∗, bukan dengan ask. Jika tidak ada kotak aman untuk
dijelajahi, langkah selanjutnya — jika agen masih memiliki panah — adalah mencoba
membuat kotak aman dengan menembak ke salah satu kemungkinan lokasi wumpus. Ini
ditentukan dengan menanyakan di mana ask (kb, ¬wx, y) salah — yaitu, di mana tidak
diketahui bahwa tidak ada wumpus. Fungsi plan-shot (tidak ditampilkan) menggunakan
plan-route untuk merencanakan urutan tindakan yang akan menyejajarkan bidikan ini.
Jika ini gagal, program mencari kotak untuk dijelajahi yang tidak terbukti tidak aman —
yaitu, kotak yang ask (kb, ¬oktx, y) mengembalikan false. Jika tidak ada kotak seperti
itu, maka misi tidak mungkin dan agen mundur ke [1,1] dan memanjat keluar dari gua.

25. Logical state estimation

Program agen pada gambar 7.20 bekerja cukup baik, tetapi memiliki satu kelemahan
utama: seiring berjalannya waktu, biaya komputasi yang terlibat dalam panggilan ke ask
terus meningkat. Hal ini terjadi terutama karena kesimpulan yang diperlukan harus
kembali lebih jauh dan lebih jauh dalam waktu dan melibatkan lebih banyak simbol
proposisi. Jelas, ini tidak berkelanjutan — kita tidak dapat memiliki agen yang waktu
untuk memproses setiap persepsi tumbuh secara proporsional dengan panjang umurnya!
Yang benar-benar kami butuhkan adalah waktu pembaruan yang konstan — yaitu, tidak
bergantung pada t. Jawaban yang jelas adalah untuk

Caching menyimpan, atau menyimpan cache, hasil inferensi, sehingga proses inferensi
pada langkah waktu berikutnya dapat membangun hasil dari langkah sebelumnya
daripada harus memulai lagi dari awal.

Seperti yang kita lihat di bagian 4.4, sejarah persepsi masa lalu dan semua
konsekuensinya dapat digantikan oleh kondisi kepercayaan — yaitu, beberapa
representasi dari himpunan semua kemungkinan keadaan dunia saat ini. Proses
memperbarui status kepercayaan saat persepsi baru tiba disebut estimasi negara.
Sedangkan di bagian 4.4 negara kepercayaan adalah daftar eksplisit negara, di sini kita

20
dapat menggunakan kalimat logis yang melibatkan simbol proposisi yang terkait dengan
langkah waktu saat ini, serta simbol atemporal. Misalnya kalimat logika

2.2. Buku 2 : Articial Intelligence

Bab 2 : Sistem pakar berbasis aturan

1. Pendahuluan, atau apakah pengetahuan itu?

Pada bab ini, buku tersebut menjelaskan tentang Rule based expert
system (system pakar berbasis aturan). Pada bagian awal buku, penulis
membahas secara singkat definisi dari pengetahuan, siapa saja yang dapat
dianggap sebagai pakar secara umum, dan bagaimana cara pakar-pakar berpikir
dan mengekspresikan pengetahuan mereka dalam bentuk berupa production
rules (aturan produksi)
2. Aturan sebagai teknik representasi pengetahuan

Setiap aturan terdiri dari dua bagian: bagian IF, disebut anteseden (premis atau kondisi)
dan bagian THEN disebut konsekuensi (kesimpulan atau tindakan). Sintaks dasar suatu
aturan adalah:

Secara umum, aturan dapat memiliki beberapa anteseden yang digabungkan dengan
kata kunci AND (konjungsi), OR (disjungsi), atau kombinasi keduanya. Namun,
merupakan kebiasaan yang baik untuk menghindari pencampuran konjungsi dan
disjungsi dalam aturan yang sama.

3. Pemain utama dalam tim pengembangan sistem pakar

Sistem pakar yang paling populer adalah sistem berbasis aturan. Sejumlah besar telah
dibangun dan berhasil diterapkan di bidang-bidang seperti bisnis dan teknik, kedokteran
dan geologi, sistem tenaga dan pertambangan. Shell sistem pakar menjadi sangat
populer untuk mengembangkan sistem berbasis aturan.

21
 4. Apa itu shell sistem pakar?

Shell (kerangka) sistem pakar dapat dianggap sebagai sistem pakar dengan
pengetahuannya yang telah dihapus. Oleh karena itu, yang harus dilakukan pengguna
adalah menambah pengetahuan dalam bentuk aturan dan menyediakan data yang
relevan untuk menyelesaikan suatu masalah.

Secara umum, ada lima anggota tim pengembangan sistem pakar: pakar domain,
insinyur pengetahuan, pemrogram, proyek manajer dan pengguna akhir. Keberhasilan
sistem pakar mereka sepenuhnya bergantung pada seberapa baik anggota bekerja sama.

Seorang Ahli domain adalah orang yang berpengetahuan dan terampil yang mampu
memecahkan masalah di bidang tertentu atau domain. Oleh karena itu, pakar harus
mampu mengkomunikasikan pengetahuannya, bersedia berpartisipasi dalam
pengembangan sistem pakar, dan menyediakan banyak waktu untuk proyek tersebut.
Pakar domain adalah pemain terpenting dalam tim pengembangan sistem pakar.

Seorang Insinyur pengetahuan merupakan seseorang yang berkemampuan untuk

mendesain, membangun, dan mengetes sebuah system paker. Melalui interaksi dengan
pakar, insinyur pengetahuan menetapkan metode penalaran apa yang digunakan pakar
tersebut untuk menangani fakta dan aturan serta memutuskan bagaimana
merepresentasikannya dalam sistem pakar.

Seorang programmer adalah orang yang bertanggung jawab atas pemrograman

sebenarnya, yang menjelaskan pengetahuan domain dalam istilah yang dapat dipahami
oleh komputer.

Seorang manajer proyek adalah pemimpin tim pengembangan sistem pakar, yang
bertanggung jawab untuk menjaga proyek tetap pada jalurnya. Dia memastikan bahwa

22
semua kiriman dan pencapaian terpenuhi, berinteraksi dengan pakar, insinyur
pengetahuan, pemrogram, dan pengguna akhir.

End-use(pengguna akhir), seringkali hanya disebut user, adalah seseorang yang

menggunakan system pakar ketika system tersebut sudah di kembangkan. User tidak
hanya harus yakin dengan kinerja sistem pakar tetapi juga merasa nyaman
menggunakannya. Oleh karena itu, desain antarmuka user sistem pakar juga penting
untuk keberhasilan proyek; kontribusi end user di sini bisa menjadi sangat penting.

5. Struktur sistem pakar berbasis aturan

Sistem pakar berbasis aturan memiliki lima komponen: basis pengetahuan, database,
mesin inferensi, fasilitas penjelasan, dan antarmuka pengguna.

Itu dasar pengetahuan berisi pengetahuan domain yang berguna untuk pemecahan
masalah. Dalam sistem pakar berbasis aturan, pengetahuan direpresentasikan sebagai
seperangkat aturan. Setiap aturan menentukan relasi, rekomendasi, direktif, strategi atau
heuristik dan memiliki struktur IF (condition) THEN (action).

Itu database mencakup sekumpulan fakta yang digunakan untuk mencocokkan dengan
bagian IF (kondisi) dari aturan yang disimpan di basis pengetahuan. Itu mesin inferensi
melakukan penalaran dimana sistem pakar mencapai solusi. Ini menghubungkan aturan

23
yang diberikan dalam basis pengetahuan dengan fakta-fakta yang disediakan dalam
database.

Itu fasilitas penjelasan memungkinkan pengguna untuk menanyakan sistem pakar

bagaimana kesimpulan tertentu tercapai dan Mengapa fakta spesifik dibutuhkan. Sistem
pakar harus mampu menjelaskan alasannya dan membenarkan saran, analisis, atau
kesimpulannya.

Itu antarmuka pengguna adalah alat komunikasi antara pengguna yang mencari solusi
untuk masalah dan sistem pakar. Komunikasi harus bermakna dan seramah mungkin.

Kelima komponen ini penting untuk sistem pakar berbasis aturan. Mereka merupakan
intinya, tetapi mungkin ada beberapa komponen tambahan.

Itu antarmuka eksternal memungkinkan sistem pakar untuk bekerja dengan file data
eksternal dan program yang ditulis dalam bahasa pemrograman konvensional seperti C,
Pascal, FORTRAN, dan Basic. Struktur lengkap dari sistem pakar berbasis.

Itu antarmuka pengembang biasanya mencakup editor basis pengetahuan, alat bantu
debugging, dan fasilitas input / output.

24
 6. Karakteristik dasar dari sistem pakar

Sistem pakar digunakan penalaran simbolis saat memecahkan masalah. Simbol

digunakan untuk mewakili berbagai jenis pengetahuan seperti fakta, konsep, dan aturan.
Tidak seperti program konvensional yang ditulis untuk pemrosesan data numerik,
sistem pakar dibangun untuk pemrosesan pengetahuan dan dapat dengan mudah
menangani data kualitatif.

Secara teori, program konvensional selalu memberikan solusi 'benar' yang sama.
Namun, kita harus ingat bahwa program konvensional dapat mengatasi masalah jika,
dan hanya jika, datanya lengkap dan tepat. Ketika data tidak lengkap atau terdapat
beberapa kesalahan, program konvensional tidak akan memberikan solusi sama sekali
atau salah. Sebaliknya, sistem pakar menyadari bahwa informasi yang tersedia mungkin
tidak lengkap atau tidak jelas, tetapi dapat berfungsi dalam situasi seperti itu dan masih
sampai pada kesimpulan yang masuk akal.

Fitur penting lainnya yang membedakan sistem pakar dari program konvensional adalah
itu pengetahuan dipisahkan dari pemrosesannya ( basis pengetahuan dan mesin inferensi
terpecah).

AHLI MANUSIA SISTEM PAKAR PROGRAM

KONVENSIONAL

Menggunakan Memproses Memperoses data dan

pengetahuan dalam pengetahuan menggunakan algoritme,
bentuk aturan praktis diekspresikan dalam serangkaian operasi yang
atau heuristik untuk bentuk aturan dan didefinisikan dengan baik,
menyelesaikannya menggunakan untuk menyelesaikan
masalah dalam penalaran simbolik numerik umum masalah.
domain yang sempit. untuk
memecahkannya
masalah di a domain
sempit.

Di otak manusia, Sediakan sebuah Jangan pisahkan

pengetahuan ada pemisahan yang jelas pengetahuan dari struktur

25
dalam bentuk yang dari pengetahuan dari kontrol untuk memproses
terkompilasi. pemrosesannya. pengetahuan ini.

Mampu menjelaskan Telusuri aturannya Jangan menjelaskan

alur penalaran dan selama sesi bagaimana hasil tertentu
memberikan detail. pemecahan masalah itu diperoleh dan mengapa
dan jelaskan data input dibutuhkan.
bagaimana Sebuah
kesimpulan khusus
adalah mencapai dan
Mengapa data
spesifik dibutuhkan.

Gunakan penalaran Izin alasan yang tidak Bekerja hanya pada

yang tidak tepat dan tepat dan bisa masalah yang datanya
bisa menangani tidak menangani tidak lengkap dan tepat.
lengkap, tidak pasti lengkap, tidak pasti
dan informasi kabur. dan data fuzzy.

Dapat melakukan Bisa membuat Tidak memberikan solusi

kesalahan bila kesalahan ketika data sama sekali, atau solusi
informasi tidak tidak lengkap atau yang salah, saat data tidak
lengkap atau kabur. tidak jelas. lengkap atau tidak jelas.

Meningkatkan Meningkatkan Meningkatkan kualitas

kualitas pemecahan kualitas pemecahan pemecahan masalah
masalah melalui masalah dengan dengan mengubah
pembelajaran menambahkan aturan program kode, yang
bertahun-tahun dan baru atau memengaruhi pengetahuan
pelatihan praktis. menyesuaikan yang dan pemrosesannya,
Proses ini lambat, lama di basis pembuatannya perubahan
tidak efisien dan pengetahuan. Ketika sulit.
pengetahuan baru
mahal.
diperoleh, perubahan
itu mudah untuk

26
 mencapai.

7. Teknik inferensi forward chaining dan backward chaining

Dalam sistem pakar berbasis aturan, pengetahuan domain diwakili oleh sekumpulan
aturan produksi IF-THEN dan data diwakili oleh sekumpulan fakta tentang situasi saat
ini. Mesin inferensi membandingkan setiap aturan yang disimpan di basis pengetahuan
dengan fakta-fakta yang terdapat dalam database. Jika bagian IF (kondisi) dari aturan
cocok dengan fakta, aturan tersebut adalah api dan bagian THEN (tindakan) akan
dieksekusi. Aturan fi merah dapat mengubah kumpulan fakta dengan menambahkan
fakta baru.

Misalkan database awalnya menyertakan fakta A, B, C, D dan E, dan basis pengetahuan

hanya berisi tiga aturan:

Rule 1 : IF Y is true

AND D is true

THEN Z is true

Rule 2 : IF X is true

AND B is true

AND E is true

THEN Y is true

Rule 3 : IF A is true

THEN X is true

Sistem pakar dapat menampilkan rantai inferensi untuk menjelaskan bagaimana

kesimpulan tertentu dicapai; ini adalah bagian penting dari fasilitas penjelasannya.

27
Mesin inferensi harus memutuskan kapan aturan harus diberlakukan. Ada dua cara
utama di mana aturan dijalankan. Salah satunya disebut rantai ke depan Dan lainnya
rantai mundur.

Perangkaian maju

Rantai ke depan adalah berbasis data pemikiran. Penalarannya dimulai dari data yang
diketahui dan dilanjutkan dengan data itu. Setiap kali hanya aturan paling atas yang
dijalankan. Saat dipecat, aturan tersebut menambahkan fakta baru dalam database.
Aturan apa pun hanya dapat dijalankan satu kali. Siklus api korek api berhenti jika tidak
ada aturan lebih lanjut yang dapat diberlakukan.

Rantai ke depan adalah teknik untuk mengumpulkan informasi dan kemudian

menyimpulkan darinya apa pun yang dapat disimpulkan. Namun, dalam perangkaian
maju, banyak aturan yang dapat dijalankan yang tidak ada hubungannya dengan tujuan
yang ditetapkan.

Rantai mundur

Rantai mundur adalah didorong oleh tujuan pemikiran. Dalam rangkaian

mundur, sistem pakar memiliki tujuan (solusi hipotetis) dan mesin inferensi
mencoba menemukan bukti untuk membuktikannya. Pertama, basis pengetahuan
dicari untuk menemukan aturan yang mungkin memiliki solusi yang diinginkan.
Aturan seperti itu harus memiliki tujuan di bagian MAKA (tindakan). Jika
aturan seperti itu ditemukan dan bagian IF (kondisi)-nya cocok dengan data
dalam database, maka aturan tersebut akan hangus dan tujuannya terbukti.

28
Dalam Pass 1, mesin inferensi mencoba menyimpulkan fakta Z. Ini mencari basis
pengetahuan untuk menemukan aturan yang memiliki tujuan, dalam fakta kasus kami Z,
di bagian KEMUDIAN nya. Mesin inferensi menemukan dan menyusun Aturan 1: Y &
D! Z. Bagian IF dari Aturan 1 mencakup fakta Y dan D, dan dengan demikian fakta-
fakta ini harus ditetapkan.

Dalam Pass 2, mesin inferensi menyiapkan sub-tujuan, fakta Y, dan mencoba untuk
menentukannya. Pertama, ia memeriksa database, tetapi fakta Y tidak di sana.
Kemudian basis pengetahuan dicari lagi aturannya dengan fakta Y di bagian
KEMUDIAN nya. Itu mesin inferensi menempatkan dan menyusun Aturan 2: X & B &
E! Y. Bagian IF dari Aturan 2 terdiri dari fakta X, B dan E, dan fakta-fakta ini juga
harus ditetapkan.

Di Pass 3, mesin inferensi menyiapkan sub-tujuan baru, fakta X. Ia memeriksa database

untuk fakta X, dan jika gagal, telusuri aturan yang menyimpulkan X. Mesin inferensi
menemukan dan menyusun Aturan 3: SEBUAH ! X. Sekarang harus menentukan fakta
SEBUAH.

Dalam Pass 4, mesin inferensi menemukan fakta SEBUAH dalam database, Aturan 3:
SEBUAH ! X adalah fakta baru dan merah X disimpulkan.

Di Pass 5, mesin inferensi kembali ke fakta sub-tujuan Y dan sekali lagi mencoba
menjalankan Aturan 2: X & B & E! Y. Fakta X, B dan E berada dalam database dan
karenanya Aturan 2 dipecat dan menjadi fakta baru, fakta Y, ditambahkan ke database.

Di Pass 6, sistem kembali ke Aturan 1: Y & D! Z mencoba untuk menetapkan tujuan

awal, fakta Z. Bagian IF dari Aturan 1 cocok dengan semua fakta dalam database,
Aturan 1 dijalankan dan dengan demikian tujuan awal akhirnya ditetapkan.

8. PENASEHAT MEDIA: sistem pakar berbasis aturan demonstrasi

Dalam dialog yang ditampilkan di bawah ini, sistem pakar meminta pengguna untuk
memasukkan data yang diperlukan untuk memecahkan masalah (lingkungan, pekerjaan,
dan umpan balik). Berdasarkan jawaban yang diberikan oleh pengguna (jawaban
ditunjukkan dengan panah), sistem pakar menerapkan aturan dari basis pengetahuannya
untuk menyimpulkan bahwa stimulus_situation adalah objek fisik, dan
stimulus_response adalah tangan di atas.

29
Rantai mundur adalah penalaran yang digerakkan oleh tujuan, jadi pertama-tama kita
perlu menetapkan solusi hipotetis (tujuan). Mari kita, misalnya, menetapkan tujuan
berikut:

9. Resolusi konflik

30
Mesin inferensi membandingkan bagian IF (kondisi) dari aturan dengan data yang
tersedia dalam database, dan ketika kondisi terpenuhi, aturan ditetapkan ke api. Batas
satu aturan dapat mempengaruhi aktivasi aturan lain, dan oleh karena itu mesin inferensi
harus mengizinkan hanya satu aturan yang menyala pada satu waktu. Dalam contoh
penyeberangan jalan kita, kita memiliki dua aturan, Aturan 2 dan Aturan 3, dengan
bagian IF yang sama. Dengan demikian keduanya dapat disetel ke api ketika bagian
kondisi terpenuhi. Aturan-aturan ini merepresentasikan sekumpulan konflik. Mesin
inferensi harus menentukan aturan mana yang akan ditembakkan dari set tersebut.
Sebuah metode untuk memilih aturan yang akan menyala ketika lebih dari satu aturan
dapat dipecat dalam siklus tertentu disebut resolusi konflik.

10. Keuntungan dan kerugian dari sistem pakar berbasis aturan

Representasi pengetahuan alam. Seorang ahli biasanya menjelaskan prosedur
pemecahan masalah dengan ungkapan seperti ini: 'Dalam situasi ini dan itu, saya
melakukan ini dan itu'. Ekspresi ini dapat direpresentasikan secara alami sebagai
aturan produksi IF-THEN.
Struktur seragam. Aturan produksi memiliki struktur IF-THEN yang seragam.
Setiap aturan adalah bagian pengetahuan yang independen. Sintaks dari aturan
produksi memungkinkannya untuk didokumentasikan sendiri.
Apakah sistem pakar berbasis aturan bebas masalah? Ada tiga kekurangan
utama:
 Hubungan buram antar aturan. Meskipun aturan produksi individu
cenderung relatif sederhana dan terdokumentasi sendiri, interaksi logisnya

31
 dalam kumpulan aturan yang besar mungkin tidak jelas. Sistem berbasis
aturan membuatnya sulit untuk mengamati bagaimana aturan individu
melayani strategi keseluruhan. Masalah ini terkait dengan kurangnya
representasi pengetahuan hierarkis dalam sistem pakar berbasis aturan.
 Strategi pencarian yang tidak efektif. Mesin inferensi menerapkan pencarian
menyeluruh melalui semua aturan produksi selama setiap siklus. Sistem
pakar dengan sekumpulan besar aturan (lebih dari 100 aturan) bisa lambat,
dan dengan demikian sistem berbasis aturan yang besar tidak cocok untuk
aplikasi waktu nyata.
 Ketidakmampuan untuk belajar. Secara umum, sistem pakar berbasis aturan
tidak memiliki kemampuan untuk belajar dari pengalaman. Tidak seperti
pakar manusia, yang tahu kapan harus 'melanggar aturan', sistem pakar tidak
dapat secara otomatis mengubah basis pengetahuannya, atau menyesuaikan
aturan yang ada atau menambahkan yang baru. Insinyur pengetahuan masih
bertanggung jawab untuk merevisi dan memelihara sistem.

32
 BAB III
PEMBAHASAN/ANALISIS

3.1. Analisis Buku 1

Pembahasan buku ini lebih mengarah kepada bagaimana pemahaman logis dari
Kecerdasan buatan bekerja. Dengan demikian, penggunaan logika dan step-step dalam
proses penalaran logika dikaji dalam buku ini. Sebagai contoh, pembahasan mengenai
Komponen utama dari agen berbasis pengetahuan adalah basis pengetahuannya, atau kb.
A knowl-basis tepi sentence adalah sekumpulan kalimat. (di sini "kalimat" digunakan
sebagai istilah teknis. Dengan istilah diatas masih banyak kajian yang berkaitan dengan
penalaran yang baik.

Sebagai contoh, model transisi ke 8-puzzle - pengetahuan tentang langkah-langkah -

tersembunyi di dalam bidang kode khusus dari hasil fungsi. Ini dapat digunakan untuk
memprediksi hasil dari tindakan, tetapi tidak untuk menyimpulkan bahwa dua ubin
tidak bisa menempati ruang yang sama atau status dengan paritas ganjil tidak dapat
dicapai dengan paritas negara.

Point-Point Buku

- Buku ini membahas mengenai beberapa Hal dibawahnya sebagai

Berikut:,
 Komponen utama dari agen berbasis pengetahuan adalah basis
pengetahuannya, atau kb. A knowl-basis tepi sentence adalah
sekumpulan kalimat. (di sini "kalimat" digunakan sebagai istilah
teknis.
 Setiap kalimat adalah pengetahuan perwakilan bahasa
diekspresikan dalam bahasa yang disebut bahasa representasi
pengetahuan dan mewakili beberapa pernyataan axiom tentang
dunia.
 Terkadang kita meninggikan sebuah kalimat dengan nama
aksioma, ketika kalimat tersebut dianggap sudah diberikan tanpa

33
 diturunkan dari kalimat lain. Harus ada cara untuk menambahkan
kalimat baru ke basis pengetahuan dan cara untuk menanyakan
apa yang diketahui. Nama standar untuk operasi ini masing-
masing adalah tell dan ask.
 Kedua operasi mungkin melibatkan inferensi yaitu, mengambil
kalimat baru dari yang lama. Inferensi harus mematuhi
persyaratan bahwa ketika seseorang bertanya pertanyaan tentang
basis pengetahuan, jawabannya harus mengikuti dari apa yang
telah diceritakan (atau diceritakan) ke basis pengetahuan
sebelumnya.
 Setiap kali program agen dipanggil, ia melakukan tiga hal.
Pertama, ia memberitahu basis pengetahuan apa yang ia rasakan.
Kedua, ia meminta basis pengetahuan tindakan apa yang harus
dilakukan. Dalam proses menjawab pertanyaan ini, penalaran
ekstensif dapat dilakukan tentang keadaan dunia saat ini,
 Make-action-query menyusun kalimat yang menanyakan
tindakan apa yang harus dilakukan saat ini. Terakhir, make-
action-sentence membuat kalimat yang menyatakan bahwa
tindakan yang dipilih telah dieksekusi. Detail mekanisme
inferensi tersembunyi di dalam tell dan ask.
 wumpus adalah sebuah gua yang terdiri dari ruangan-ruangan
yang dihubungkan melalui lorong-lorong. Mengintai di suatu
tempat di dalam gua adalah wumpus yang mengerikan,
 tantangan utamanya adalah ketidaktahuan awalnya tentang
konfigurasi lingkungan; mengatasi ketidaktahuan ini tampaknya
membutuhkan penalaran logis

3.2. Analisis Buku 2

Pada Bab 2,Rule Based Expert Systems, Pada bab ini, buku tersebut menjelaskan
tentang Rule based expert system (system pakar berbasis aturan). Pada bagian awal
buku, penulis membahas secara singkat definisi dari pengetahuan, siapa saja yang dapat
dianggap sebagai pakar secara umum, dan bagaimana cara pakar-pakar berpikir dan
mengekspresikan pengetahuan mereka dalam bentuk berupa production rules (aturan

34
produksi). Shell sistem pakar adalah sistem pakar kerangka dengan pengetahuan yang
dihapus. Setiap aturan baru menambahkan beberapa pengetahuan baru dan membuat
sistem pakar lebih pintar. Tidak seperti program konvensional, sistem pakar dapat
menangani data yang tidak lengkap dan tidak pasti serta memungkinkan penalaran yang
tidak tepat. Ada dua metode utama untuk mengarahkan pencarian dan penalaran: teknik
inferensi forward chaining dan backward chaining. Perangkaian ke depan adalah
penalaran berbasis data; ini dimulai dari data yang diketahui dan berlanjut hingga tidak
ada aturan lebih lanjut yang dapat ditetapkan. Jika lebih dari satu aturan dapat dipecat
dalam siklus tertentu, mesin inferensi harus memutuskan aturan mana yang akan
diaktifkan.

Pada Bab 3, Uncertainty Management in Rule Based Expert Systems, buku

tersebut menyajikan dua teknik manajemen ketidakpastian yang digunakan dalam
sistem pakar yakni: Penalaran Bayesian dan Faktor kepastian. Telah diidentifikasi
sumber utama dari pengetahuan yang tidak pasti dan teori probabilitas yang ditinjau
secara singkat. Ketidakpastian adalah kurangnya pengetahuan pasti yang
memungkinkan kita mencapai kesimpulan yang dapat diandalkan secara sempurna.
Teori probabilitas memberikan pendekatan yang tepat, benar secara matematis, untuk
manajemen ketidakpastian dalam sistem pakar. Aturan Bayesian memungkinkan kita
untuk menentukan probabilitas hipotesis yang diberikan bahwa beberapa bukti telah
diamati. Dalam pendekatan Bayesian, seorang ahli diharuskan memberikan probabilitas
sebelumnya dari hipotesis H dan nilai-nilai untuk kemungkinan kecukupan, LS, untuk
mengukur kepercayaan pada hipotesis jika bukti E ada, dan kemungkinan kebutuhan,
LN, untuk mengukur ketidakpercayaan dalam hipotesis H jika bukti yang sama hilang..
Untuk menggunakan pendekatan Bayesian, kita harus memenuhi independensi bersyarat
dari bukti. Kami juga harus memiliki data statistik yang dapat diandalkan dan
mendefinisikan probabilitas sebelumnya untuk setiap hipotesis. Teori faktor kepastian
adalah alternatif populer untuk penalaran Bayesian. Teori faktor kepastian memberikan
pendekatan menghakimi untuk manajemen ketidakpastian dalam sistem pakar. Faktor
kepastian digunakan jika probabilitas tidak diketahui atau tidak dapat diperoleh dengan
mudah. Teori kepastian dapat mengelola bukti yang diperoleh secara bertahap,
konjungsi dan disjungsi hipotesis, serta bukti dengan tingkat kepercayaan yang
berbeda..

35
3.3. Kelebihan dan kekurangan Buku

3.3.1. Buku 1

Dari segi pembahasan saya rasa sangat mendetail seperti contoh-contoh yang
diberikan, sebagai contoh mengenai pembahasan,
- Bagian utama dari program agen menyusun rencana berdasarkan
prioritas tujuan yang menurun. Pertama, jika ada glitter, program
menyusun rencana untuk mengambil emas, mengikuti rute kembali ke
lokasi awal, dan keluar gua. Sebaliknya, jika tidak ada rencana saat ini,
program merencanakan rute ke safe square terdekat yang belum
dikunjungi, memastikan rute tersebut hanya melalui safe square.
Perencanaan rute dilakukan dengan pencarian a ∗, bukan dengan ask.
Jika tidak ada kotak aman untuk dijelajahi, langkah selanjutnya jika
agen masih memiliki panah adalah mencoba membuat kotak aman
dengan menembak ke salah satu kemungkinan lokasi wumpus. Ini
ditentukan dengan menanyakan di mana ask (kb, ¬wx, y) salah yaitu, di
mana tidak diketahui bahwa tidak ada Wumpus.

3.3.2. Buku 2
Saya punya sedikit masalah dengan buku itu. Pertama, Awal setiap bab
menggoda dengan pengantar yang santai dan gambaran umum, terutama bagi
yang belum tahu. Namun, pembaca rata-rata kemungkinan akan menemukan
dirinya mencoba mengatur napas setelah itu. Ada terlalu banyak konten yang
diperas menjadi terlalu sedikit halaman. Terlebih lagi, Negnevitsky
menggunakan banyak matematika, bagan, dan diagram yang tidak selalu mudah
dipahami. Tentu saja diasumsikan bahwa pembaca memiliki pemahaman "dasar"
tentang matematika. Jika matematika "lanjutan" digunakan dalam katakanlah,
ilmu roket, "dasar" hanyalah istilah relatif. Jika Anda mengabaikan hal-hal ini
atau menganggapnya benar tanpa berusaha keras untuk benar-benar
memahaminya, kemungkinan besar Anda tidak akan belajar banyak.

Untuk meringkas masalah kedua, jenis buku ini menarik pembaca menjauh dari
mendapatkan perspektif konseptual penting dari teknik AI dan bagaimana
mereka berhubungan satu sama lain. Hal ini masih dapat dilakukan meskipun

36
buku tersebut bersifat sarjana dan teknis, tetapi Anda harus berhati-hati untuk
melihat hutan untuk pepohonan. Memiliki pemahaman teknis yang kuat tentang
teknik * dan * gambaran konseptual tentang bagaimana mereka berhubungan
satu sama lain sebagai suatu bidang adalah apa, menurut saya, buku ini coba
lakukan tetapi gagal dengan mengorbankan satu hal.

37
 BAB IV
PENUTUP

5.1. Kesimpulan

Setelah mereview kedua buku kami dapat menyimpulkan bahwa kedua buku tersebut
lebih mengarah kepada bagaimana pemahaman logis dari Kecerdasan buatan bekerja.
Dengan demikian, penggunaan logika dan step-step dalam proses penalaran logika
dikaji dalam buku-buku tersebut, buku dibuat sedemikian rupa sehingga pembaca dapat
memahami cara kerja algoritma dalam suatu system.

5.2. Saran

Khusus untuk buku 2, beberapa bagian dijelaskan dengan indah dan buku tersebut bagus
digunakan sebagai referensi, terutama saat ingin mereview materi. Namun, masih ada
ruang di luar sana untuk pengenalan yang kurang teknis dan cenderung konseptual
tentang cara kerja berbagai hal di dalam AI.

38
39