02 REPRESENTASI PENGETAHUAN
Logika dan Penalaran
03 KETIDAKPASTIAN
FUZZY
DAN LOGIKA
Goal-based agents
Utility-based agents
Learning agents
Simple Reflex Agent
Bertindak berdasarkan percept/ input
sensor terakhir saja.
Model-based reflex agents
Merekam histori kondisi lingkungan, tindakan yang
diambil oleh agen serta dampak dari tindakan
tersebut.
Rekaman histori kondisi lingkungan tersebut disebut
model
Goal-based agents
Memiliki informasi mengenai tujuan, memilih
tindakan yang mencapai tujuan
Utility-based agents
Agen melakukan perhitungan terhadap kinerja/kualitas
tindakan yang diambil untuk mencapai tujuan
Learning agents
• Belajar dari pengalaman, bisa meningkatkan
kinerja agen
Masalah dalam Kecerdasan Buatan
8. (x,y) (x-(3-y),3)
x+y ≥ 3 dan x > 0 Tuangkan air dari ember A ke ember B sampai ember B penuh
9. (x,y) (x+y, 0)
x+y ≤ 4 dan y > 0 Tuangkan seluruh air dari ember B ke ember A
10. (x,y) (0, x+y)
x+y ≤ 3 dan x > 0 Tuangkan seluruh air dari ember A ke ember B
11. (0,2) (2,0)
Tuangkan 2 liter air dari ember B ke ember A.
12. (2,y) (0,y)
Kosongkan 2 liter air dari ember A dengan membuang airnya ke
tanah
HASIL PENERAPAN ATURAN (RULES)
(permasalahan ember A dan B)
Solusi 1 Solusi 2
Representasikan Ruang Keadaan
Pohon Pelacakan
• Struktur pohon
digunakan untuk
menggambarkan
keadaan hirarki
• Node yang terletak
pada level-0 disebut
‘akar’
• Node yang tidak
memiliki anak disebut ‘’
menunjukkan akhir dari
suatu pencarian,
daundapat berupa
tujuan (goal) atau jalan
buntu (dead end)
Pohon Pelacakan
(permasalahan ember A dan B)
• Representasi ruang keadaan dengan pohon pelacakan pada
masalah ember adalah sebagai berikut:
Pohon Pelacakan dalam Ruang Keadaan
(permasalahan ember A dan B)
Blind Searching (Pencarian Buta)
/ Uninformed Search
1 2
3 4
Depth-First Search (DFS)
-Dimulai dari Level 0
yaitu simpul akar A
(root node A) dan
Tujuan (Goal) adalah
simpul J
-Menggunakan
prinsip Last In First
Out (LIFO)
-Menggunakan
Prinsip Stack /
Tumpukan
Depth-First Search (DFS)
• Pencarian dilakukan pada suatu simpul dalam
setiap level dari yang paling kiri.
• Jika pada level yang terdalam, solusi belum
ditemukan, maka pencarian dilanjutkan pada
simpul sebelah kanan dan simpul yang kiri dapat
dihapus dari memori.
• Jika pada level yang paling dalam tidak
ditemukan solusi, maka pencarian dilanjutkan
pada level sebelumnya.
Depth-First Search (DFS)
• Contoh :
• Root : A
• Goal : M
Tahap Depth-First Search (DFS)
1 2
3 4
Tahap Depth-First Search (DFS)
5 6
7 8
Tahap Depth-First Search (DFS)
9 10
11 12
Heuristic Searching (Pencarian Heuristik)
• Menggunakan suatu fungsi yang menghitung biaya perkiraan /
estimasi dari suatu simpul tertentu menuju ke simpul tujuan
(disebut fungsi heuristik)
• Kelemahan blind search :
– Waktu akses lama
– Memori yang dibutuhkan besar
– Ruang masalah besar – tidak cocok – karena keterbasan kecepatan
komputer dan memori
• Solusi - Pencarian heuristik
• Pencarian heuristik – menggunakan suatu fungsi yang
menghitung biaya perkiraan / estimasi dari suatu simpul tertentu
menuju ke simpul tujuan (disebut fungsi heuristik)
Pencarian Heuristik
Local Local
Search Beam
Algorithms Search
Best First Search
• Kombinasi dari metode DFS dan BFS
• Pada best first search, pencarian diperbolehkan
mengunjungi node di lebih rendah, jika ternyata
node di level lebih tinggi memiliki nilai heuristik
lebih buruk.
• Penentuan node berikutnya adalah node yang
terbaik yang pernah dibangkitkan
• Terdapat 2 jenis algoritma :
• Greedy Best First Search
• biaya perkiraan f(n) = h(n)
• A*
• f’(n) = g(n) + h’(n)
A* -> Best First Search
(4)
A* Search untuk Arad ke Bucharest
(1)
(2)
(3)
A* Search untuk Arad ke Bucharest
(4)
(5)
A* Search untuk Arad ke Bucharest
(6)
Agenda
01 STATE SPACE & SEARCHING
Konsep Agen Cerdas ,Ruang
Keadaan dan Teknik Pencarian
02 REPRESENTASI PENGETAHUAN
Logika dan Penalaran
03 KETIDAKPASTIAN
FUZZY
DAN LOGIKA
• Contoh
A = Andi Rajin Belajar
B = Andi Lulus Ujian
C = Andi mendapat hadiah istimewa
• Dalam ekspresi logika:
Jika Andi rajin belajar maka Andi lulus ujian dan mendapat
hadiah istimewa : A B ^ C
Jika Andi rajin belajar maka Andi lulus ujian dan mendapat
hadiah istimewa : (A (B ^ C))
Jika Andi rajin belajar maka Andi lulus ujian dan mendapat
hadiah istimewa : ((A B) ^ C)
Logika Predikat
• Logika yang digunakan untuk merepresentasikan masalah yang tidak dapat
dilakukan atau direpresentasikan dengan menggunakan logika preposisi
• Misal: Diketahui fakta-fakta sebagai berikut:
Andi adalah seorang laki-laki : A
Ali adalah seorang laki-laki : B
Amir adalah seorang laki-laki : D
Agus adalah seorang laki-laki : E
• Jika kelima fakta tersebut dinyatakan dengan menggunakan proposisi, maka
akan terjadi pemborosan. Dimana beberapa pernyataan dengan predikat
yang sama akan dibuat dalam preposisi yang berbeda.
• Pernyataan di atas apabila dinyatakan dalam bentuk logika predikat adalah
sebagai berikut:
seorang(x(Andi, Ali, Amir, Anto, Agus), laki-laki).
Tree / Pohon
• Struktur sederhana untuk representasi pengetahuan
• Merupakan struktur grafik hirarki
Decision Tree
• Pohon keputusan mudah dikonversi ke dalam
bentuk aturan (rule)
JARINGAN SEMANTIK (SEMANTIC NETWORK)
• Mengekspresikan solusi dan permasalahan dengan
menggunakan grafik
• Disajikan dalam bentuk graph berarah
• Menggunakan node (simpul) sebagai kondisi dan
arc (link) sebagai relasi antar simpul
• Dapat menggambarkan relasi “adalah/contoh dari”
(IS-A)
• Dapat menggambarkan relasi “bagian dari” (A Kind
Of /AKO/ is part), merelasikan individu ke induknya
• Dapat menggambarkan relasi “mempunyai”
CONTOH SEMANTIC NETWORK
Metode menampilkan
pengetahuan mengenai
obyek tertentu (misal:
lokasi, benda, peristiwa,
situasi, dll)
Digunakan untuk
merepresentasikan
pengetahuan yang
didasarkan pada
karakteristik yang sudah
dikenal
Hirarki Frame
Contoh
SCRIPT (Naskah)
Adegan 4: Pulang
- Tamu membersihkan meja
- Tamu membuang sampah
- Tamu meninggalkan restoran
- Tamu naik mobil dan pulang
Hasil
- Tamu merasa kenyang
- Uang tamu jadi habis
- Tamu senang
- Tamu kecewa
- Tamu sakit perut
List
• Struktur sederhana untuk representasi pengetahuan
• Daftar dari rangkaian materi yang terkait
• List digunakan untuk objek yang dikelompokkan,
dikategorikan atau digabungkan
Aturan / Sistem Produksi
• Pengetahuan dalam kaidah produksi direpresentasikan dalam
bentuk
JIKA [kondisi] MAKA [Aksi]
JIKA [premis] MAKA [Konklusi]
Contoh
JIKA dana mencukupi
DAN pengiriman bisa dilakukan kurang dari 1 bulan
MAKA beli laser printer.
JIKA kontraktor tidak bisa menyelesaikan pekerjaan tepat waktu
ATAU biaya melebihi anggaran
MAKA kontrak batal.
KNOWLEDGE BASED SYSTEMS
Manipulasi formal
Proses berpikir terhadap symbol-
untuk mencapai PENALARAN symbol untuk
Goal/Tujuan menjadi simbol
baru
Macam-macam Penalaran
Silogisme
Modus Ponens
Modus Tollens
Resolusi
SILOGISME
70
Penyelesaian Contoh Resolusi
1. Ubah ke dalam bentuk CNF
TR 71
• Tambahkan Kontradiksi (-R) pada tujuannya,
sehingga fakta-fakta dalam CNF menjadi :
1. P
2. (P Q) R
3. (S T) Q
4. T
72
TEKNIK PENALARAN
Forward
Rule Chaining
based Backward
Penalaran Chaining
Case Machine
based Learning
1. Andi adalah seorang mahasiswa
2. Andi masuk jurusan elektro 1. mahasiswa(Andi)
3. Setiap mahasiswa elektro pasti 2. elektro(Andi)
mahasiswa teknik
4. Kalkulus adalah matakuliah yang 3. x : elektro(x) → teknik(x)
sulit 4. sulit(Kalkulus)
5. Setiap mahasiswa teknik pasti akan 5. x : teknik(x) → suka(x,kalkulus)
suka kalkulus atau akan
membencinya benci(x,kalkulus)
6. Setiap mahasiswa pasti akan suka 6. x : y : suka(x,y)
terhadap suatu matakuliah
7. Mahasiswa yang tidak pernah hadir
pada kuliah matakuliah sulit, maka 7. x : y : mahasiswa(x) sulit(y)
mereka pasti tidak suka terhadap ¬hadir(x,y) → ¬suka(x,y)
matakuliah tersebut
8. Andi tidak pernah hadir kuliah
matakuliah kalkulus 8. ¬hadir(andi,kalkulus)
74
“Apakah andi suka matakuliah kalkulus ?”
Gunakan
penalaran
backward :
75
Agenda
01 STATE SPACE & SEARCHING
Konsep Agen Cerdas ,Ruang
Keadaan dan Teknik Pencarian
02 REPRESENTASI PENGETAHUAN
Logika dan Penalaran
03 KETIDAKPASTIAN
FUZZY
DAN LOGIKA
Probabilitas
Teorema Bayes
KETIDAKPASTIAN
• Ketidakpastian dapat dianggap sebagai suatu kekurangan
informasi yang memadai untuk membuat suatu keputusan.
• Ketidakpastian merupakan suatu permasalahan karena mungkin
menghalangi kita membuat suatu keputusan yang terbaik.
• Banyak masalah tidak dapat dimodelkan secara lengkap dan
konsisten.
• Misalnya :
• Suatu penalaran dimana adanya penambahan fakta baru mengakibatkan
ketidakkonsistenan, dengan ciri-ciri sebagai berikut :
• adanya ketidakpastian
• adanya perubahan pada pengetahuan
• adanya penambahan fakta baru dapat mengubah konklusi yang sudah terbentuk
Contoh kasus: KETIDAKPASTIAN
• Premis -1 : Aljabar adalah pelajaran yang sulit
• Premis -2 : Geometri adalah pelajaran yang sulit
• Premis -3 : Kalkulus adalah pelajaran yang sulit
• Konklusi : Matematika adalah pelajaran yang sulit
• Munculnya premis baru bisa mengakibatkan gugurnya konklusi
yang sudah diperoleh, misal :
• Premis -4 : Kinematika adalah pelajaran yang sulit
• Premis tersebut menyebabkan konklusi : “Matematika adalah
pelajaran yang sulit”, menjadi salah, karena Kinematika bukan
merupakan bagian dari Matematika, sehingga bila menggunakan
penalaran induktif sangat dimungkinkan adanya ketidakpastian.
• Probabilitas menunjukkan kemungkinan sesuatu akan terjadi atau
tidak.
• P(E) = jumlah kejadian berhasil/ jumlah semua kejadian
• Misal dari 10 orang sarjana , 3 orang menguasai CISCO,
sehingga peluang untuk memilih sarjana yang menguasai CISCO
adalah :
• p(CISCO) = 3/10 = 0.3
• P(E) = 0 -> Peristiwa E pasti tidak terjadi
• P(E) = 1 -> Peristiwa E pasti terjadi
• Apabila E’ bukan peristiwa E, maka P(E’) = 1- P(E)
Atau berlaku P(E) + P(E’) =1
PROBABILITAS KONDISIONAL
TEOREMA BAYES
Contoh Penerapan Teorema Bayes
• Diketahui :
• P(demam)=0,4 . P (muntah) = 0,3. P(demam|muntah)=0,75
• Berapa nilai P(muntah|demam) ?
Mudah dimengerti
145
120
185
tinggi
160 <= tinggi < 185
165
145
• Pada himpunan tegas (crisp set), nilai keanggotaan suatu item x dalam suatu
himpunan A (ditulis A[x]) memiliki 2 kemungkinan :
• Satu (1), artinya x adalah anggota A
• Nol (0), artinya x bukan anggota A
• Contoh 1 :
Jika diketahui :
S={1,2,3,4,5,6} adalah semesta pembicaraan
A={1,2,3} B={3,4,5} maka :
• Nilai keanggotaan 2 pada A, A[2] = 1, karena 2A
• Nilai keanggotaan 4 pada A, A[4] = 0, karena 4 A
HIMPUNAN FUZZY
Contoh 3 :
Misal variable umur dibagi menjadi 3 katagori :
• MUDA umur <35 tahun
• PAROBAYA 35 ≤ umur ≤ 55 tahun
• TUA umur > 55 tahun
Muda Parobaya Tua
1 1 1
0 35 55 0 55
0 35
Gambar 2a. Keanggotaan himpunan biasa (crisp) umur muda dan parobaya
• Apabila seseorang berusia 34 tahun, maka ia dikatakan MUDA
• Apabila seseorang berusia 35 tahun, maka ia dikatakan TIDAK MUDA
• Apabila seseorang berusia 35 tahun, maka ia dikatakan PAROBAYA
• Apabila seseorang berusia 35 tahun kurang 1 hari, maka ia dikatakan TIDAK
PAROBAYA
• Apabila seseorang berusia 55 tahun, maka ia dikatakan TIDAK TUA
• Apabila seseorang berusia 55 tahun lebih ½ hari, maka ia dikatakan TUA
HIMPUNAN FUZZY
[x]
0,5
0,25
0 25 35 40 45 50 55 65
Himpunan Fuzzy
•Himpunan Semesta
keseluruhan nilai yang boleh dioperasikan dalam suatu
variabel fuzzy.
Contoh:
Semesta untuk variabel berat badan : [1, 150]
Semesta untuk variabel suhu : [0,100].
• Domain
Domain himpunan fuzzy adalah keseluruhan nilai yang
diijinkan dalam Semesta dan boleh
dioperasikan dalam suatu himpunan fuzzy.
Contoh : DINGIN = [0,60]
HANGAT = [50,80]
PANAS = [80, +)
FUNGSI KEANGGOTAAN (MEMBERSHIP FUNCTION)
Adalah suatu fungsi (kurva) yang menunjukkan pemetaan titik-titik input data ke
dalam nilai keanggotaannya(derajat keanggotaan) yang memiliki interval antara 0
sampai 1.
Ada beberapa fungsi yang bisa digunakan : Linier, Segitiga,Trapesium, Sigmoid, Phi
Fuzzy values
DOM
Degree of
Membership
Young Middle Old
1
0.5
0
25 40 55 Age
96
1.0 1.0
0 a b 0 a b
Domain Domain
1.0
0 a b c
Segitiga
[x] = 0; x a atau x c
(x-a)/(b-a); a x
b
(c-x)/(c-b); b x
c
98
1.0
0 a b c d
Trapesium
[x]= 0; x a atau x d
(x-a)/(b-a); a x
b
1; b x c
(d-x)/(d-c); c x
99
1.0
0 a b c
Sigmoid
[x;a,b,c]sigmoid = 0; x a
2 ((x - a)/(c - a))2; a x
b
1 - 2((c - x)/(c - a))2; b
xc
100
1.0
[x;a,b,c]phi = [x;c-b,c-b/2,c]sigmoid; x
c
[x;c,c+b/2,c+b]sigmoid;
Referensi
• Artificial Intelligence, A Modern Approach by Stuart J. Russell and
Peter Norvig
• Understanding Intelligence by Rolf Pfeifer and Christian Scheier.
• Artificial Intelligence: Structures and Strategies for Complex
Problem-solving by George Luger.
• Computation and Intelligence: Collective readings edited by
George Luger.
• Paradigms of Artificial Intelligence Programming: Case Studies in
Common Lisp by Peter Norvig.
The End
• TERIMA KASIH