• Merupakan salah satu contoh aplikasi dari

tree
• Tree (pohon) adalah suatu hierarki struktur
yang terdiri dari Node (simpul/veteks) yang
menyimpan informasi atau pengetahuan dan
cabang (link/edge) yang menghubungkan
node.
• Decision tree – pohon keputusan
– Menggunakan model tree untuk
menggambarkan keputusan-keputusan
dan konsekuensinya
⚫ Logika deduktif : kesimpulan merupakan konsekuensi
logis dari premis-premis yang ada
⚫ Mengambil kesimpulan khusus dari premis yang
bersifat umum
⚫ Pengambilan kesimpulan dapat secara langsung (hanya
1 premis) atau tidak langsung (beberapa premis)
⚫ Karakteristik pokok : kesimpulan benar harus
mengikuti dari premis yang benar
⚫ Premis disebut juga anteseden dan kesimpulan disebut
konsekuen
⚫ Salah satu jenis logika deduktif tidak langsung adalah
syllogisme
• Terdiri 3 proposisi / pernyataan
– Premis mayor
– Premis minor
– Kesimpulan
• Jenis Silogisme :
– Silogisme kategorial
– Silogisme hipotesis
– Silogisme alternatif
a. Silogisme Kategorial : Silogisme yang terjadi
dari tiga proposisi.
Premis umum : Premis Mayor (My)
Premis khusus :Premis Minor (Mn)
Premis simpulan : Premis Kesimpulan (K)

M : middle term
S : subjek
P : predikat
• Contoh silogisme Kategorial:
➢ My : Semua mahasiswa adalah lulusan SLTA
M/Middle term P/Major term
Mn : Badu adalah mahasiswa
S/Minor term M/Middle term
K : Badu lulusan SLTA

➢ My : Tidak ada manusia yang kekal

Mn : Andi adalah manusia
K : Andi tidak kekal

➢ My : Semua mahasiswa memiliki ijazah SLTA.

Mn : Amir tidak memiliki ijazah SLTA
K : Amir bukan mahasiswa
b. Silogisme Hipotesis: Silogisme yang terdiri atas premis
mayor yang berproposisi konditional hipotesis.

• Konditional hipotesis yaitu : bila premis minornya

membenarkan anteseden, simpulannya membenarkan
konsekuen. Bila minornya menolak anteseden,
simpulannya juga menolak konsekuen.

• Contoh :
o My : Jika tidak ada air, manusia akan kehausan.
Mn : Air tidak ada.
K : Jadi, Manusia akan kehausan.

o My : Jika tidak ada udara, makhluk hidup akan mati.

Mn : Makhluk hidup itu mati.
K : Makhluk hidup itu tidak mendapat udara.
c. Silogisme Alternatif : Silogisme yang terdiri atas
premis mayor berupa proposisi alternatif.
• Proposisi alternatif yaitu bila premis
minornya membenarkan salah satu
alternatifnya, simpulannya akan menolak
alternatif yang lain.
• Contoh :
• My : Nenek Sumi berada di Bandung atau
Jakarta.
• Mn : Nenek Sumi berada di Bandung.
• K : Jadi, Nenek Sumi tidak berada di Jakarta.

• My : Nenek Sumi berada di Bandung atau

Bogor.
• Mn : Nenek Sumi tidak berada di Jakarta.
• Forward chaining merupakan grup dari
multipel inferensi yang melakukan
pencarian dari suatu masalah kepada
solusinya.
• Forward Chaining adalah data driven
karena inferensi dimulai dengan informasi
yg tersedia dan baru konklusi diperoleh
• Mencari aturan inferensi sampai
ditemukan satu dimana anteseden (If
clause) bernilai true. Ketika ditemukan,
bisa ditarik kesimpulan, menghasilkan
• Contoh : Menentukan warna binatang
bernama Tweety. Data awal adalah Tweety
terbang dan bernyanyi.
• Misalkan ada 4 aturan :
– If x melompat dan memakan serangga, maka x
adalah katak
– If x terbang dan bernyanyi, maka x adalah
burung kenari
– If x adalah katak, maka x berwarna hijau
– If x adalah burung kenari, maka x berwarna
kuning
• Yang dicari pertama adalah aturan nomor 1,
karena anteseden-nya cocok dengan data kita
(if Tweety terbang dan bernyanyi)
• Konsekuen (then Tweety adalah burung
kenari) ditambahkan ke data yang dimiliki
• If tweety adalah burung kenari, maka Tweety
berwarna kuning (tujuan)
 Dimulai dengan tujuan (goal) yang diverifikasi
apakah bernilai TRUE atau FALSE
 Kemudian melihat rule yang mempunyai GOAL
tersebut pada bagian konklusinya.
 Mengecek pada premis dari rule tersebut untuk
menguji apakah rule tersebut terpenuhi (bernilai
TRUE)
 Proses tersebut berlajut sampai semua
kemungkinan yang ada telah diperiksa atau
sampai rule inisial yang diperiksa (dg GOAL)
telah terpenuhi
 Jika GOAL terbukti FALSE, maka GOAL berikut
• Dimulai dari daftar tujuan dan bergerak ke
belakang dari konsekuen ke anteseden untuk
melihat data yang mendukung konsekuen.
• Mencari sampai ada konsekuen (Then clause)
yang merupakan tujuan. Jika antecedent (If
clause) belum diketahui nilainya (bernilai
benar/salah), maka ditambahkan ke daftar
tujuan.
• Contoh : Menentukan warna binatang bernama
Tweety. Data awal adalah Tweety terbang dan
bernyanyi.
• Misalkan ada 4 aturan :
– If x melompat dan memakan serangga, maka x
adalah katak
– If x terbang dan bernyanyi, maka x adalah
burung kenari
– If x adalah katak, maka x berwarna hijau
– If x adalah burung kenari, maka x berwarna
kuning
• Pertama akan mencari aturan 3 dan 4 (sesuai
dengan tujuan kita mencari warna)
• Belum diketahui bahwa Tweety adalah
burung kenari, maka kedua anteseden (If
Tweety adalah katak, If Tweety adalah
burung kenari) ditambahkan ke daftar
tujuan.
• Lalu mencari aturan 1 dan 2, karena
konsekuen-nya (then x adalah katak, then x
adalah burung kenari) cocok dengan daftar
tujuan yang baru ditambahkan.
• Anteseden (If Tweety terbang dan bernyanyi)
bernilai true/benar, maka disimpulkan
Tweety adalah burung kenari.
• Tujuan menentukan warna Tweety sekarang
sudah dicapai (Tweety berwarna hijau jika
katak, dan kuning jika burung kenari, Tweety
adalah burung kenari karena terbang dan
bernyanyi, jadi Tweety berwarna kuning).
• Seorang user ingin berkonsultasi apakah tepat jika dia
berinvestasi pada IBM?
Variabel-variabel yang digunakan:
A = memiliki uang $10.000 untuk investasi
B = berusia < 30 tahun
C = tingkat pendidikan pada level college
D = pendapatan minimum pertahun $40.000
E = investasi pada bidang Sekuritas (Asuransi)
F = investasi pada saham pertumbuhan (growth stock)
G = investasi pada saham IBM

Setiap variabel dapat bernilai TRUE atau FALSE

• Fakta
– Memiliki uang $10.000 (A TRUE)
– Berusia 25 tahun (B TRUE)
• Dia ingin meminta nasihat apakah tepat jika
berinvestasi pada IBM stock?
• Rules
R1 : IF seseorang memiliki uang $10.000 untuk berinvestasi
AND dia berpendidikan pada level college
THEN dia harus berinvestasi pada bidang sekuritas
R2 : IF seseorang memiliki pendapatan per tahun min $40.000
AND dia berpendidikan pada level college
THEN dia harus berinvestasi pada saham pertumbuhan
(growth stocks)
R3 : IF seseorang berusia < 30 tahun
AND dia berinvestasi pada bidang sekuritas
THEN dia sebaiknya berinvestasi pada saham
pertumbuhan
R4 : IF seseorang berusia < 30 tahun dan > 22 tahun
THEN dia berpendidikan college
R5 : IF seseorang ingin berinvestasi pada saham pertumbuhan
THEN saham yang dipilih adalah saham IBM.
 R1: IF A AND C, THEN E
 R2: IF D AND C, THEN F

 R3: IF B AND E, THEN F

 R4: IF B, THEN C

 R5: IF F, THEN G
⚫ Suatu penalaran dimana adanya penambahan
fakta baru mengakibatkan ketidakkonsistenan,
⚫ ciri-ciri penalaran sebagai berikut :
− adanya ketidakpastian
− adanya perubahan pada pengetahuan
− adanya penambahan fakta baru dapat mengubah
konklusi yang sudah terbentuk
• Contoh :
• Premis 1 : Aljabar adalah pelajaran yang sulit
• Premis 2 : Geometri adalah pelajaran yang sulit
• Premis 3 : Kalkulus adalah pelajaran yang sulit
• Kesimpulan : Matematika adalah pelajaran yang
sulit
• muncul premis 4 : sosiologi adalah pelajaran
yang sulit, akan menyebabkan kesimpulan
(Matematika adalah pelajaran yang sulit)
menjadi tidak berlaku karena sosiologi bukan
bagian dari matematika
• penalaran induktif sangat dimungkinkan adanya
ketidakpastian.
⚫ Kurang informasi yang memadai
⚫ Menghalangi untuk membuat keputusan yang
terbaik
⚫ Salah satu teori yang berhubungan dengan
ketidakpastian : Probabilitas Bayes
⚫ Probabilitas menunjukkan kemungkinan
sesuatu akan terjadi atau tidak
⚫ Contoh :
⚫ Misal dari 10 orang sarjana , 3 orang
menguasai java, sehingga peluang untuk
memilih sarjana yang menguasai java adalah :
⚫ p(java) = 3/10 = 0.3
⚫ Contoh :
⚫ Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter
menduga bahwa Asih terkena cacar dengan :
− probabilitas munculnya bintik-bintik di wajah, jika
Asih terkena cacar → p(bintik | cacar) = 0.8
− probabilitas Asih terkena cacar tanpa memandang
gejala apapun → p(cacar) = 0.4
− probabilitas munculnya bintik-bintik di wajah, jika
Asih terkena alergi → p(bintik | alergi) = 0.3
− probabilitas Asih terkena alergi tanpa memandang
gejala apapun → p(alergi) = 0.7
− probabilitas munculnya bintik-bintik di wajah, jika
Asih jerawatan → p(bintik | jerawatan) = 0.9
− probabilitas Asih jerawatan tanpa memandang gejala
apapun → p(jerawatan) = 0.5
⚫ Probabilitas Asih terkena cacar karena ada
bintik2 di wajahnya :
⚫ Probabilitas Asih terkena alergi karena ada
bintik2 di wajahnya :
⚫ Probabilitas Asih jerawatan karena ada bintik2
di wajahnya :
⚫ Jika setelah dilakukan pengujian terhadap
hipotesis muncul satu atau lebih evidence
(fakta) atau observasi baru maka :
⚫ Misal : Adanya bintik-bintik di wajah merupakan
gejala seseorang terkena cacar. Observasi baru
menunjukkan bahwa selain bintik-bintik di wajah,
panas badan juga merupakan gejala orang kena
cacar. Jadi antara munculnya bintik-bintik di wajah
dan panas badan juga memiliki keterkaitan satu
sama lain.
⚫ Asih ada bintik-bintik di wajahnya. Dokter menduga
bahwa Asih terkena cacar dengan probabilitas terkena
cacar bila ada bintik-bintik di wajah → p(cacar |
bintik) = 0.8
⚫ Ada observasi bahwa orang terkena cacar pasti
mengalami panas badan. Jika diketahui probabilitas
orang terkena cacar bila panas badan → p(cacar |
panas ) = 0.5
⚫ Keterkaitan antara adanya bintik-bintik di wajah dan
panas badan bila seseorang terkena cacar → p(bintik |
panas, cacar) = 0.4
⚫ Keterkaitan antara adanya bintik-bintik di wajah dan
panas badan → p(bintik | panas) = 0.6
⚫ Certainty Factor (CF) menunjukkan ukuran kepastian
terhadap suatu fakta atau aturan.
− CF[h,e] = MB[h,e] – MD[h,e]
− CF[h,e] = faktor kepastian
− MB[h,e] = ukuran kepercayaan/tingkat keyakinan
terhadap hipotesis h, jika diberikan/dipengaruhi
− evidence e (antara 0 dan 1)
− MD[h,e] = ukuran ketidakpercayaan/tingkat
ketidakyakinan terhadap hipotesis h, jika
diberikan/dipenharuhi evidence e (antara 0 dan 1)
Faktor Kepastian (Certainty)
⚫ Contoh :
⚫ Misal suatu observasi memberikan kepercayaan terhadap
h1 dengan MB[h1,e]=0,5 dan MD[h1,e] = 0,2 maka :
− CF[h1,e] = 0,5 – 0,2 = 0,3
⚫ Jika observasi tersebut juga memberikan kepercayaan
terhadap h2 dengan MB[h2,e]=0,8 dan MD[h2,e]=0,1, maka :
− CF[h2,e] = 0,8 – 0,1= 0,7
⚫ Untuk mencari CF[h1 ∧ h2,e] diperoleh dari
− MB[h1 ∧ h2,e] = min (0,5 ; 0,8) = 0,5
− MD[h1 ∧ h2,e] = min (0,2 ; 0,1) = 0,1
− CF[h1 ∧ h2,e] = 0,5 – 0,1 = 0,4
⚫ Untuk mencari CF[h1∨ h2,e] diperoleh dari
− MB[h1∨ h2,e] = max (0,5 ; 0,8) = 0,8
− MD[h1∨ h2,e] = max (0,2 ; 0,1) = 0,2
− CF[h1∨ h2,e] = 0,8 – 0,2 = 0,6