METODE INFERENSI DAN

PENALARAN
Inferensi adalah adalah suatu proses untuk menghasilkan informasi dari fakta yang
diketahui. Inferensi juga dikatakan suatu konklusi
DISUSUN OLEHlogis
S. atau implikasi
SUBAGIO, berdasarkan
S.KOM, M.KOM
informasi yang tersedia.
DECISION TREE

• 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
CONTOH DECISION TREE
 LOGIKA DEDUKTIF


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
 STRUKTUR SYLLOGISME
Silogisme adalah suatu proses penarikan kesimpulan secara deduktif. Silogisme disusun
dari dua proposisi (pernyataan) dan sebuah konklusi (kesimpulan). Sebagian para ahli
logika menyebut silogisme sebagai penyimpulan tidak langsung (immediate inference),
karena dalam silogisme menyimpulkan pengetahuan baru yang kebenarannya diambil
secara sintesis.

• 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 :
oMy : 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.
• K : Jadi, Nenek Sumi berada di Bandung.
FORWARD CHAINING

• 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
informasi baru.
Inferensi adalah tindakan/proses untuk mendapatkan kesimpulan berdasarkan apa
yang sudah diketahui/diasumsikan.
FORWARD CHAINING

• 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
FORWARD CHAINING

• 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)
BACKWARD CHAINING

• 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 yang dicoba.
BACKWARD CHAINING

• 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.

Secara matematika, implikasi memiliki simbol p => q. Dalam hal ini, p

disebut sebagai anteseden atau penyebab, sedangkan q disebut
sebagai .
 BACKWARD CHAINING

• 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
BACKWARD CHAINING

• 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.
BACKWARD CHAINING

• 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).
CONTOH KASUS

• 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

CONTOH KASUS

• 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
FORWARD CHAINING
BACKWARD CHAINING
PENALARAN


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
PENALARAN

• 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.
KETIDAKPASTIAN (UNCERTAINTY)


Kurang informasi yang memadai

Menghalangi untuk membuat keputusan yang terbaik

Salah satu teori yang berhubungan dengan ketidakpastian :
Probabilitas Bayes
PROBABILITAS


Probabilitas menunjukkan kemungkinan sesuatu akan terjadi atau tidak
PROBABILITAS


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
PROBABILITAS BAYES
 PROBABILITAS BAYES

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 BAYES


Probabilitas Asih terkena cacar karena ada bintik2 di wajahnya :
PROBABILITAS BAYES


Probabilitas Asih terkena alergi karena ada bintik2 di wajahnya :
PROBABILITAS BAYES


Probabilitas Asih jerawatan karena ada bintik2 di wajahnya :
PROBABILITAS BAYES


Jika setelah dilakukan pengujian terhadap hipotesis muncul satu atau lebih
evidence (fakta) atau observasi baru maka :
 PROBABILITAS BAYES


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.
 PROBABILITAS BAYES


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
PROBABILITAS BAYES
 FAKTOR KEPASTIAN (CERTAINTY)


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)
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