LECTURE NOTES

Artificial Intelligence

Minggu 3
Sesi 4

First Order Logic & Inference in

FOL I & II

COMP6275 – Artificial Intelligence

 LEARNING OUTCOMES
LO2: Jelaskan bagaimana menggunakan representasi pengetahuan dalam tujuan
penalaran

OUTLINE MATERI (Sub-Topic):

 Pengenalan kepada Logika First-Order
 Sintaks dan Semantik Logika First-Order
 Menggunakan Logika First-Order
 Pembuktian melalui Resolusi
 Teknik Pengetahuan dalam Logika First-Order
 Propositional vs Logika First-Order
 Unifikasi dan Lifting
 Forward dan Backward Chaining
 Resolusi
 Kesimpulan

COMP6275 – Artificial Intelligence

 ISI MATERI

1. Pengenalan kepada Logika First-Order

Kita dapat mengadopsi dasar logika proposisional - sebuah deklaratif, silsilah
komposisi yang bersifat konteks-independen dan tidak ambigu - dan membangun
logika yang lebih ekspresif mengenai pondasi tersebut, meminjam gagasan
representasional dari bahasa alami sambil menghindari kekurangannya.
contoh objek, relasi, dan fungsi
 Objek: orang, rumah, bilangan, teori, Ronald McDonald, warna, permainan
bisbol, perang, berabad-abad.
 Relation: hubungan ini bisa berupa relasi atau properti yang tidak biasa
seperti merah, bulat, palsu, prima, multistoried .., atau hubungan n-ary yang
lebih umum seperti saudara laki-laki, lebih besar dari, dalam, bagian,
memiliki warna, terjadi setelah, memiliki , datang antara,. . .
 Fungsi: ayah dari, sahabat, inning ketiga, satu lebih dari, awal. . .
Ini disebut komitmen ontologis terhadap logika: Apa itu "isi" yang dijelaskan?
Simbol Logic Standar
= For all ; [e.g : every one, every body, any time, etc]
$ = There exists ; [e.g : some one, some time, etc]
Þ = Implication ; [ if … then ….]
Û = Equivalent ; biconditional [if … and … only … if …]
Ø = Not ; negation
Ú = OR ; disjunction
Ù = AND ; conjunction

Komitmen ontologis dan epistemologis dari lima logika yang berbeda dirangkum
sebagai berikut :

2. Sintaks dan Semantik Logika First-Order

Elemen dasar :
 Constants : KingJohn, 2, Binus, …
 Predicates : Brother, >, loves, …
 Functions : Sqrt, Left Leg, …

COMP6275 – Artificial Intelligence

 Variables : x, y, a, b,...
 Connectives
 Equality :=
 Quantifiers : ,

Contoh Model untuk FOL yang terdiri dari lima benda, dua hubungan biner, tiga
relasi unary (ditandai dengan label pada objek), dan satu fungsi unary, kaki kiri.

Kalimat Automic

COMP6275 – Artificial Intelligence

Penjabaran kalimat
 Atomic sentence = predicate (term1,...,termn)
or term1 = term2
 …, termn)
or constant
or variable
“Richard the Lionheart is the brother of King John”.
e.g., Brother(Richard, John)
Istilah kompleks sebagai argumen dalam kalimat atomic adalah:
married (Father(Richard), Mother(John))
 Kalimat atomic adalah “true” dalam model tertentu jika relasi yang
dimaksud dengan simbol predikat memegang di antara objek yang
disebut oleh argument

Kalimat complex
 Kalimat kompleks dibuat dari kalimat atomix menggunakan
penghubung
 Contoh :

Contoh universal quantifiers

Kalimat : All kings are persons
Variable x : {Richard, King John, the crown}

FOL :

COMP6275 – Artificial Intelligence

Perhatian !
FOL

person

Contoh Existential quantifiers

 Kalimat : The King John has a crown on his head

 Variable x : {Richard, King John, the crown}
 FOL :

“For some x …”
 True” dalam setidaknya satu
interpretasi diperpanjang yang menugaskan x ke elemen domain
Contoh Nested quantifiers
Kalimat : Brothers are siblings
•
Pengenal berturutan dari jenis yang sama dapat ditulis sebagai satu
pengukur dengan beberapa variabel
Mengatakan bahwa siblinghood adalah hubungan simetris:

Campuran :
 “Everybody loves somebody”:

 “There is someone who is loved by everyone” :

Mengubah ke First Order Logic

Contoh sebuah kalimat :
a) Chandra is a student
b) Chandra is student in computer science
c) Each computer science student is member of school of computer
d) Algorithm is difficult

COMP6275 – Artificial Intelligence

 e) Each student in computer science is like or hate the algorithm
f) Each student is like one lesson
g) The student which do not come to in difficult lesson, there are dislike to
these lesson
h) Chandra not come in algorithm

FOLnya adalah :
a) Student (Chandra)
b) Student (Chandra, computer_science)
c)
school_of_computer)
d) Difficult(Algorithm)
e)
Algorithm)
f)
g)
h)

Backward Chaining
Algoritma untuk sebuah contoh dari Chandra adalah :

3. Pembuktian melalui Resolusi

Algoritma : Resolusi
 Konversikan semua logika proposisi ke bentuk klausa normal (CNF).
 Negasikan P dan ubah hasilnya menjadi bentuk klausa. Tambahkan ke
himpunan klausa dalam langkah

COMP6275 – Artificial Intelligence

 Ulangi sampai ada kontradiksi yang ditemukan atau tidak ada kemajuan
yang bisa dibuat, atau jumlah usaha yang telah ditentukan telah
dikeluarkan.
a) Pilih dua klausa. Panggil klausa induk ini.
b) Selesaikan bersama-sama. Yang resolvent akan menjadi disjungsi
dari semua literal dari kedua klausa induk dengan substitusi yang
sesuai dilakukan dan dengan pengecualian berikut: Jika ada satu
pasangan literal T1 dan T2 sehingga salah satu klausa induk
berisi T1 dan yang lainnya berisi T2 dan Jika T1 dan T2 tidak
dapat dipertanggungjawabkan, maka T1 maupun T2 tidak akan
muncul dalam posisi resolvent. Jika ada lebih dari satu pasang
literal komplementer, hanya satu pasangan yang harus dihilangkan
dari resolvent.
c) Jika resolvent adalah klausa kosong, maka kontradiksi telah
ditemukan. Jika tidak, maka tambahkan ke himpunan klausa yang
tersedia untuk prosedur ini.
Konversi ke bentuk klausa normal (CNF)
a) Menghilangkan implikasi, menggunakan :
b) Kurangi cakupan masing-ma
menggunakan aturan Morgan:

c) Standarisasi variable
Untuk kalimat seperti (∀x P(x)) ∨ (∃x Q(x)) yang menggunakan nama
variabel yang sama dua kali, ganti nama salah satu variabelnya. Hal
ini untuk menghindari kebingungan kemudian saat kita menurunkan
quantifiers
d) Pindahkan semua quantifier ke kiri formula tanpa mengubah urutan
relatifnya.
e) Skolemisasi: proses menghilangkan pengali eksistensial dengan
eliminasi
∃x P(x) into P(A), dimana A adalah konstanta baru
f. Drop pengukur universal
g. Mengkonversi matriks menjadi gabungan dari disjoint, menggunakan
associativity and distributivity (mendistribusikan ORs over ANDs)

COMP6275 – Artificial Intelligence

Contoh Resolusi
a) student(Chandra)
b) computer_science(Chandra)
c)
d) difficult(Algorithm)
e)
f) like(x3,f(x3))
g)
h)

Menunjukkan bahwa :
Chandra hate Algorithm menggunakan resolusi

4.Knowledge Engineering dalam Logika

First-Order
Proses Knowledge Engineering
a) Kenali task-nya
Knowledge Engineer harus menggambarkan berbagai pertanyaan yang
basis pengetahuannya akan dukung dan jenis fakta yang akan tersedia
untuk setiap instance masalah spesifik. Misalnya, apakah basis
pengetahuan wumpus harus bisa memilih tindakan atau apakah itu
diperlukan untuk menjawab pertanyaan hanya tentang isi lingkungan?
Akankah fakta sensor meliputi lokasi saat ini? Tugas akan menentukan

COMP6275 – Artificial Intelligence

 pengetahuan apa yang harus diwakili agar bisa menghubungkan contoh
masalah dengan jawaban.
b) Buatlah pengetahuan yang relevan
Knowledge Engineer mungkin sudah ahli dalam domain, atau mungkin
perlu bekerja dengan pakar sejati untuk mengekstrak apa yang mereka
ketahui-sebuah proses yang disebut akuisisi pengetahuan. Pada tahap
ini, pengetahuan tidak terwakili secara formal. Idenya adalah
memahami ruang lingkup basis pengetahuan, seperti yang ditentukan
oleh tugas, dan untuk memahami bagaimana domain tersebut benar-
benar bekerja.
c) Tentukan kosa kata predikat, fungsi, dan konstanta
terjemahkan konsep tingkat-domain yang penting ke dalam nama
tingkat logika. Ini melibatkan banyak pertanyaan tentang teknik
pengetahuan. Seperti gaya pemrograman, ini bisa berdampak signifikan
terhadap kesuksesan proyek. Misalnya, apakah lubang diwakili oleh
benda atau predikat yang tidak biasa pada kotak? Haruskah orientasi
agen menjadi fungsi atau predikat? Haruskah lokasi wumpus
bergantung pada waktu? Begitu pilihannya sudah dibuat, hasilnya
adalah kosakata yang dikenal sebagai ontologi domain. Kata ontologi
berarti teori tertentu tentang sifat keberadaan atau eksistensi. Ontologi
menentukan jenis benda apa yang ada, namun tidak menentukan sifat
dan keterkaitannya yang spesifik.
d) Menyandikan pengetahuan umum tentang domain
Knowledge Engineer menuliskan aksioma untuk semua persyaratan
kosa kata. Pin ini turun (sebisa mungkin) arti istilah, memungkinkan
ahli untuk memeriksa kontennya. Seringkali, langkah ini menunjukkan
kesalahpahaman atau kesenjangan dalam kosa kata yang harus
diperbaiki dengan kembali ke langkah 3 dan iterasi melalui prosesnya.
e) Menyandikan deskripsi instance masalah spesifik
Jika ontologi dipikirkan dengan baik, langkah ini akan mudah. Ini akan
melibatkan penulisan kalimat atomik sederhana tentang contoh konsep
yang sudah merupakan bagian dari ontologi. Untuk agen logis, contoh
masalah diberikan oleh sensor, sedangkan basis pengetahuan "tanpa
tubuh" diberikan dengan kalimat tambahan dengan cara yang sama
seperti program tradisional dipasok dengan data masukan.
f) Pose pertanyaan ke prosedur inferensi dan dapatkan jawaban
Di sinilah penghargaan tersebut: kita dapat membiarkan prosedur
inferensi beroperasi pada aksioma dan fakta spesifik masalah untuk
mendapatkan fakta yang kita minati untuk diketahui. Dengan demikian,

COMP6275 – Artificial Intelligence

 kita menghindari kebutuhan untuk menulis algoritma solusi spesifik
aplikasi.

g) Debug basis pengetahuan

jawaban atas pertanyaan jarang akan benar pada percobaan pertama.
Lebih tepatnya, jawabannya akan benar untuk basis pengetahuan seperti
tertulis, dengan asumsi bahwa prosedur inferensi itu baik, tapi tidak
akan menjadi harapan pengguna. Misalnya, jika sebuah aksioma hilang,
beberapa pertanyaan tidak akan dapat dipertanggung jawabkan dari
basis pengetahuan. Proses debugging yang cukup banyak bisa terjadi.
Aksioma atau aksioma yang hilang yang terlalu lemah dapat dengan
mudah diidentifikasi dengan melihat tempat-tempat rantai penalaran
berhenti secara tidak terduga.

7 gerbang dasar

Sirkuit Domain Elektronik

COMP6275 – Artificial Intelligence

• Sebuah sirkuit digital C1, mengaku sebagai penambah penuh satu bit.
• Dua masukan pertama adalah dua bit yang akan ditambahkan, dan input
ketiga adalah bit carry.
• Output pertama adalah jumlah, dan output kedua adalah bit carry untuk
adder berikutnya.
• Dalam representasi Boolean sebagai berikut :

Atau

Circuit Logic

5. Propositional vs Logika First-Order

Universal Instantiation (UI for short)mengatakan bahwa kita dapat
menyimpulkan setiap kalimat yang diperoleh dengan mengganti istilah dasar
(sebuah istilah tanpa variabel) untuk variabel tersebut. Biarkan SUBST (θ,
α) menunjukkan hasil penerapan substitusi θ ke kalimat α. Lalu aturan itu
tertulis :

Dalam aturan untuk Existential Instantiation, variabel diganti dengan satu

simbol konstan baru. Pernyataan formal adalah sebagai berikut: untuk setiap
kalimat α, variabel v, dan simbol konstan k yang tidak muncul di tempat lain
dalam basis pengetahuan.
Begitu kita memiliki aturan untuk menyimpulkan kalimat-kalimat yang
tidak berurutan dari kalimat-kalimat yang terukur, maka menjadi mungkin
untuk mengurangi inferensi orde pertama ke inferensi proposisional.
Gagasan pertama adalah bahwa seperti halnya kalimat yang terukur secara
kuantitatif dapat digantikan oleh satu instantiasi, sebuah kalimat yang dapat

COMP6275 – Artificial Intelligence

dihitung secara universal dapat diganti dengan seperangkat semua
kemungkinan instantiasi. Misalnya, dasar pengetahuan kita hanya berisi
kalimat.

Kemudian kita menerapkan UI ke kalimat pertama dengan menggunakan

semua kemungkinan substitusi dasar dari kosa kata basis pengetahuan. pada
kasus ini, {x/John} dan {x/Richard}.Kita Mendapatkan,

Existential Instantiation (EI)

Untuk setiap kalimat α, variabel v, dan simbol konstan k yang tidak muncul
di tempat lain dalam basis pengetahuan:

Contoh : hasil:
Crown (C1 1, John)
disediakan C1 adalah simbol konstanta baru, disebut Skolem konstan.
 Pengurangan ke Inferensi Proposisi (1)
Misalkan KB berisi hal-hal berikut:

King(John)
Greedy(John)
Brother(Richard, John)

Mengacu kalimat universal dengan segala cara yang mungkin, kita

memiliki:

King(Richard)

COMP6275 – Artificial Intelligence

 King(John)
Greedy(John)
Brother(Richard, John)
KB baru proposisi: simbol proposisi adalah

King(John), Greedy(John), Evil(John), King(Richard), dll .

 Pengurangan ke Inferensi Proposisi (2)
o Setiap FOL KB dapat propositionalized untuk melestarikan
entailment
o (Kalimat dasar diisi oleh KB baru jika disyaratkan oleh KB asli)
o Ide: propositionalize KB dan query, menerapkan resolusi, hasil
kembali
o Masalah: dengan simbol fungsi, ada banyak istilah dasar,
Contoh : Father (Father (Father (John) ) )
 Pengurangan ke Inferensi Proposisi (3)
Teorema: Herbrand (1930). Jika sebuah kalimat α digolongkan oleh
sebuah FOL KB, itu dikuatkan oleh subset terbatas dari KB
propositionalized.
Ide : Untuk n = 0 ke ∞ lakukan
buatlah sebuah propositional KB dengan instantiate dengan depth-n
terms lihat apakah α digolongkan oleh KB ini
Permasalahan : bekerja jika α disyaratkan, loop jika α tidak digenggam
Teorema: Turing (1936), Church (1936) Entailment untuk FOL semi
decidable (ada algoritma yang mengatakan ya untuk setiap kalimat yang
disyaratkan, tapi tidak ada algoritma yang ada yang juga mengatakan
tidak pada setiap kalimat yang tidak disyaratkan).
Masalah dengan Proposisiisasi
Proposisiisasi tampaknya menghasilkan banyak kalimat yang tidak relevan.
Misalnya, dari:

King(John)

Brother(Richard, John)

COMP6275 – Artificial Intelligence

nampak jelas bahwa Evil (John), namun proposisi menghasilkan banyak
fakta seperti Greedy (Richard) yang tidak relevan.
Dengan predikat p k-ary dan n konstan, ada instantiasi p-nk. instantiasi

6. Unifikasi dan Lifting

Kita bisa mendapatkan kesimpulan segera jika kita dapat menemukan
substitusi θ sedemikian rupa sehingga King (x) dan Greedy (x) mencocokkan
King (John) dan Greedy (y):
θ = {x/John, y/John} works
Unify(α,β) = θ if αθ = βθ
 Stage 1.

 Stage 2

 Stage 3

 Stage 4

 Stage 5

COMP6275 – Artificial Intelligence

Standarisasi suatu bagian menghilangkan tumpang tindih variabel, misal.,
knows(z17,OJ)
 Untuk menyatukan Knows (John, x) dan Knows (y, z),
dapat kembali:
θ = {y/John, x/z} atau θ = {y/John, x/John, z/John}
 Pemersatu pertama lebih umum daripada yang kedua.
 Ada single most general unifier (MGU) yang unik sampai dengan
penggantian nama variabel.
MGU = { y/John, x/z }

Algoritma unification. Algoritma ini bekerja dengan membandingkan

struktur input, elemen demi elemen. Substitusi θ yang merupakan argumen
untuk UNIFY dibangun di sepanjang jalan dan digunakan untuk
memastikan bahwa perbandingan selanjutnya konsisten dengan binding
yang telah ditetapkan sebelumnya. Dalam ekspresi majemuk seperti F (A,
B), bidang OP mengambil simbol fungsi F dan bidang ARGS memilih
daftar argumen (A, B).

COMP6275 – Artificial Intelligence

Generalized Modus Ponens (GMP)

• GMP digunakan dengan KB klausa yang pasti (tepat satu literal positif)
• Semua variabel diasumsikan diukur secara universal
Contoh : Knowledge Base
Undang-undang tersebut mengatakan bahwa merupakan kejahatan bagi
orang Amerika untuk menjual senjata ke negara-negara yang bermusuhan.
Negara Nono, musuh Amerika, memiliki beberapa rudal, dan semua
rudalnya dijual ke sana oleh Kolonel Barat, yang adalah orang Amerika.
Buktikan bahwa Kolonel Barat adalah seorang penjahat.

COMP6275 – Artificial Intelligence

 ... Adalah suatu kejahatan bagi orang Amerika untuk menjual senjata ke
negara-negara yang bermusuhan:
American(x)
Criminal(x)
 Nono ... memiliki beberapa rudal, yaitu,
Owns(Nono,M1) and Missile(M1)
 ... semua rudalnya dijual ke sana oleh Kolonel Barat

 Rudal adalah senjata:

 Musuh Amerika dianggap "bermusuhan":

 Barat, siapa orang Amerika ...

American(West)
 Negara Nono, musuh Amerika ...
Enemy(Nono, America)

7. Forward dan Backward Chaining

 Forward Chaning
Algoritma forward-chaining pertama yang kami anggap sangat
sederhana. Mulai dari fakta yang diketahui, ini memicu semua
peraturan yang preminya terpenuhi, menambahkan kesimpulan mereka
pada fakta yang diketahui. Proses berulang sampai kueri dijawab
(dengan asumsi hanya ada satu jawaban yang diperlukan) atau tidak ada
fakta baru yang ditambahkan. Perhatikan bahwa sebuah fakta bukanlah
"baru" jika itu hanyalah sebuah perubahan nama dari fakta yang
diketahui. Satu kalimat adalah rename yang lain jika identik kecuali
nama variabel. Misalnya, Likes (x, IceCream) dan Likes (y, IceCream)
adalah penamaan satu sama lain karena mereka hanya berbeda dalam
pilihan x atau y; Makna mereka identik: semua orang menyukai es
krim.

Algoritma

COMP6275 – Artificial Intelligence

Pohon Bukti yang dihasilkan oleh forward chaining pada contoh
kejahatan. Fakta awal muncul di tingkat bawah, fakta disimpulkan pada
iterasi pertama di tingkat menengah, dan fakta disimpulkan pada iterasi
kedua di tingkat atas.

Sifat dari Forward Chaining

 Lengkap untuk klausa pesanan orde pertama
 Datalog = urutan pertama klausa pasti + tidak ada fungsi
 FC berakhir untuk Datalog dalam jumlah iterasi yang terbatas
 Mungkin tidak berakhir secara umum jika α tidak diikutsertakan
 Ini tidak dapat dihindari: entailment dengan klausa pasti semi
decidable
Efisiensi Forward Chaining
Ada tiga kemungkinan sumber inefisiensi.

COMP6275 – Artificial Intelligence

  Pertama, "iner loop" algoritma melibatkan penemuan semua
penguat yang memungkinkan sedemikian rupa sehingga premis
sebuah peraturan menyatu dengan seperangkat fakta yang sesuai
dalam basis pengetahuan. Ini sering disebut pencocokan pola dan
bisa sangat mahal.
 Kedua, algoritma memeriksa ulang setiap aturan pada setiap iterasi
untuk melihat apakah propertinya terpenuhi, walaupun hanya
sedikit penambahan yang dilakukan pada basis pengetahuan pada
setiap iterasi.
 Akhirnya, algoritma tersebut bisa menghasilkan banyak fakta yang
tidak relevan dengan tujuan. Kami menangani masing-masing
masalah ini secara bergantian.
Peneliti menangani masing-masing masalah ini secara bergantian.
 Pencocokan itu sendiri bisa mahal:
Pengindeksan database memungkinkan O (1) pengambilan fakta
yang diketahui
Misal : query Missile(x) retrieves Missile(M1)
 Inkremental forward chaining: tidak perlu mencocokkan aturan
pada iterasi k jika premis tidak ditambahkan pada iterasi k-1
cocokkan setiap aturan yang premisnya berisi literal positif yang
baru ditambahkan
 Forward chaining banyak digunakan dalam database deduktif

 Backward Chaining
Algoritma ini bekerja mundur dari tujuan, melakukan chaining melalui
aturan untuk menemukan fakta yang diketahui yang mendukung
buktinya. Backward chaining adalah semacam AND / OR search-the
OR part karena goal query dapat dibuktikan dengan aturan apapun
dalam basis pengetahuan, dan bagian AND karena semua klausa
conjuncts harus dibuktikan. Backward chaining, jelas merupakan
algoritma pencarian depth-first.
Algoritma Backward Chaining

COMP6275 – Artificial Intelligence

Keterangan gambar
Bukti pohon yang dibangun dengan backward chaining membuktikan
bahwa West adalah penjahat. Pohon itu harus dibaca secara depth-first,
kiri ke kanan. Untuk membuktikan (West), kita harus membuktikan
empat konjungsi di bawahnya. Beberapa di antaranya berada dalam
basis pengetahuan, dan yang lainnya membutuhkan backward chaining
lebih jauh. Bindings untuk setiap penyatuan yang sukses ditunjukkan di
sebelah subgoal yang sesuai. Perhatikan bahwa begitu satu subgoal
dalam gabungan berhasil, substitusinya diterapkan pada sub-tujuan
berikutnya. Jadi, pada saat FOL-BC-ASK sampai ke konjungsi terakhir,
awalnya bermusuhan (z), z sudah terikat pada Nono.
Sifat dari Backward Chaining

COMP6275 – Artificial Intelligence

  Depth-first bukti pencarian rekursif: ruang linear dalam ukuran
bukti
 Tidak lengkap karena loop yang tak terbatas
Perbaiki dengan memeriksa tujuan saat ini terhadap setiap
sasaran pada tumpukan
 Tidak efisien karena sub tujuan yang diulang (baik keberhasilan
maupun kegagalan)
perbaiki menggunakan caching hasil sebelumnya (extra space)
 Banyak digunakan untuk logika pemrograman.

8. Resolusi
Yang terakhir dari tiga kriteria sistem logika didasarkan pada resolusi.
Aturan resolusi untuk klausa orde pertama hanyalah versi angkat dari
resolusi proposisi. Klausa kedua, yang diasumsikan terpisah secara standar
sehingga tidak memiliki variabel, dapat dipecahkan jika mengandung literal
komplementer. Literals proposisional saling melengkapi jika ada yang
negasi dari yang lain; literal orde pertama saling melengkapi jika ada yang
menyatu dengan negasi yang lain.
 Versi full First-order

Dimana Misalnya, kita bisa menyelesaikan dua klausul

tersebut.

dengan menghilangkan literal komplementer dan

dengan unifier untuk
menghasilkan klausa yang resolven.

 Kedua klausa diasumsikan distandarisasi sehingga tidak ada variabel.

Sebagai contoh:

Dengan θ = {x/Ken}

COMP6275 – Artificial Intelligence

 Menerapkan langkah-langkah resolusi untuk ;
lengkap untuk FOL
Contoh konversi ke CNF

Contoh kedua kita memanfaatkan Skolemisasi dan melibatkan klausa yang

bukan klausa yang pasti. Hal ini menghasilkan struktur bukti yang agak
rumit. Dalam bahasa Inggris, masalahnya adalah sebagai berikut:
Everyone who loves all animals is loved by someone. Anyone who kills
an animal is loved by no one.
Jack loves all animals.
Either Jack or Curiosity killed the cat, who is named Tuna.
Did Curiosity kill the cat?
Pertama, kita mengekspresikan kalimat asli, beberapa pengetahuan latar
belakang, dan tujuan yang disangkal G dalam logika orde pertama:

COMP6275 – Artificial Intelligence

Sekarang kita menerapkan prosedur konversi untuk mengubah setiap
kalimat menjadi CNF:

COMP6275 – Artificial Intelligence

 SIMPULAN
1. Resolusi lengkap untuk logika proposisional Forward, backward chaining
adalah linear-time, lengkap untuk klausa Horn
2. Logika proporsional tidak memiliki kekuatan ekspresif
3. Logika First-Order
 Objek dan relasi adalah primitif semantik
 sintaks: konstanta, fungsi, predikat, persamaan, kuantifier
4. Peningkatan daya ekspresif: cukup untuk mendefinisikan dunia wumpus
5. Pendekatan pertama menggunakan aturan inferensi (instantiasi universal dan
instantiasi eksistensial) terhadap masalah inferensi. Biasanya, pendekatan
ini lambat, kecuali domainnya kecil.
6. Penggunaan unifikasi untuk mengidentifikasi substitusi yang sesuai untuk
variabel menghilangkan langkah instantiasi dalam proof first-order,
membuat proses lebih efisien dalam banyak kasus.

COMP6275 – Artificial Intelligence

 DAFTAR PUSTAKA

 Stuart Russell, Peter Norvig,. 2010. Artificial intelligence : a modern

approach. PE. New Jersey. ISBN:9780132071482
 Elaine Rich, Kevin Knight, Shivashankar B. Nair. 2010. Artificial
Intelligence. MHE. New York.
 http://www.cs.odu.edu/~toida/nerzic/content/logic/pred_logic/intr_to_pre
d_logic.html
 http://www.sdsc.edu/~tbailey/teaching/cse151/lectures/chap07b.html
 http://homepage.cs.uiowa.edu/~hzhang/c145/notes/09-inference-4p.pdf
 http://www.sdsc.edu/~tbailey/teaching/cse151/lectures/chap09a.html
 https://cs.uwaterloo.ca/~klarson/teaching/F13-
486/lectures/FOLExample.pdf

COMP6275 – Artificial Intelligence