Professional Documents
Culture Documents
Teknik Pemecahan Persoalan Dengan Artificial Intelligence: Problem Real Problem A.I
Teknik Pemecahan Persoalan Dengan Artificial Intelligence: Problem Real Problem A.I
PROBLEM PROBLEM
REAL A.I
USP
PROLOG REPRESENTASI
SAIL
SISTEM
SEDERHANA TERSTRUKTUR PRODUKSI
- Expert
- Predikat System FAKTA KAIDAH
Kalkulus
- Natural
Language
- Program
STRATEGI
Simbolik - Planning KONTROL
Robotik
- Game
- Frames
- Breath
Search
- Deep Search
- Matching
- Hill Climbing
- Heuristics
- Best first search
or/graphs
- Mean and
Analysis
- Minimax
- Alpha Beta
Start Goal
2 8 3 1 2 3
1 6 4 8 4
7 5 7 6 5
Kelas Persoalan:
1 8 4 8 4
7 6 5 7 6 5
2 3 2 8 3 2 3
1 84 3 1 4 1 8 4
7 6 5 7 6 5 7 6 5
Heuristic
h1 = number of mismatched tiles
h2 = sum of the (horizontal and vertical) disatancer of mismatched tiles
4 liter 3 liter
Kaidah (Rule) :
Bidak Putih (kolom f, baris 2)
Kotak (kolom f, baris 3) kosong Pindahkan bidak dari kotak (kolom f,
baris 2) ke kotak (kolom f, baris 4)
Kotak (kolom f, baris 4) kosong
State Space:
- Definisi formal
- Definisi proses penyelesaian persoalan
Bidirectional Search
Forward search
Backward search
C B
A B C
On (B, C) On (A, B)
Put B on C
Move A
Put A on B
to table
Clear (A) On (A, B)
Operator
1. CLEAR (X) ON (X, Table) : Ambil X dan letakkan di atas meja
2. CLEAR (X) AND CLEAR (Y) ON (X, Y) : Letakkan X di atas Y
- Symbolic Processing
- Heuristik
- Representasi Knowledge
- Data yang tidak lengkap
- Deduktif dan induktif
Bahasa Pemrograman AI
8 2 3 8 4
7 6 5 7 6 5
Pada tree dan graph dan amati perubahan pada daftar “open” dan/atau
“closed”
Sistem Produksi
(0, 0)
(4, 0) (0, 3)
x 2 3 x sin 2 x cos 2 x dx
x 2 dx 3 x dx sin 2 x cos 2 x dx
x3 3 x dx (1 cos 2 x) cos 2 x dx
3
3x 2 cos 2 x dx cos 4 x dx
2
1 (1 cos 2 x)
2
dx
1
2 1 dx 1
2 cos 2 x dx
1 x 1 sin 2x
2 4
Bak 4 Liter Bak 3 Liter Kaidah yang diterapkan
0 0
2
0 3
9
3 0
2
3 3
7
4 2
5
0 2
9
2 0
Langkah membuat deskripsi formal:
Arah
- Forward : dimulai dari state awal
- Backward: dimulai dari state sasaran
Kriteria
- state awal < state sasaran Forward dan sebaliknya
- Faktor percabangan (jumlah rata-rata simpul yang dapat dicapai
secara langsung dari sebuah simpul).
Arah: menuju faktor percabangan yang lebih kecil
- Proses penalaran pemakai
Kontrol Strategi
- Pelacakan (searching)
- Dekomposisi
- Contrtol of Problem Solving
- Chaining
Trial & Error
Sistematis
- Depth-first search (Vertical)
- Breadth-first search (Horizontal)
PELACAKAN Optimal
Heuristik
- Hil Climbing
- Best-First Search
- Algoritma A
- Algoritma A*
MINIMAX
..........
Pemilihan Teknik Inferensi harus mempertimbangkan:
Arah pelacakan
Topologi proses pelacakan
Representasi simpul
Pemilihan kaidah (rule) yang dapat diterapkan
Penggunaan fungsi heuristik
Arah Pelacakan
Forward
o dimulai dari initial state
o matching dengan pola kiri kaidah pola kanan membentuk
simpul anak
Backward
o dimulai dari goal state
o matching dengan pola kiri kaidah pola kiri membentuk
simpul induk
Faktor-faktor
Pohon
(0, 0)
(4, 0) (0, 3)
(4, 0) (0, 3)
Control
Strategy
Basic search process
Control
Strategy
Data Base
- Initial States
- Goal
Operators
- Current Status
- Record of previous
transactions
Evaluation functions
e.g., w1 = 9 with
f1(s) = (number of white queens) – (number of black queens) etc.
Romania with step cost in km
Straight-line distance
to Bucharest
Oradea
71 Arad 366
Bucharest 0
Neamt
75 Craiova 160
Zerind 151 87 Dobreta 242
140 lasi Eforie 161
Arad Fagaras 178
Sibiu 99 Fagaras 92 Giurgiu 77
118 Hirsova 151
80
Vaslui Iasi 226
Timisora Rimnicu Vilcea
Lugoj 226
Mehadia 241
111 97 Pitesti 211 142
Neamt 234
Lugoj
Oradea 380
70 146 98
85 Pitesti 98
Mehadia 101 Hirsova
Rimnicu Vilcea 193
75 138 Urziceni
86 Sibiu 253
Dobreta 120 Bucharest
Timisoara 329
90
Craiova Urziceni 80
Giurgiu Eforie Vaslui 199
Zerind 374
Pemrograman Konvensional
K (1) L (0)
Goal
TRIAL & ERROR
Metode paling sederhana
Prosedur Pelacakan
Penjelasan:
S
R 1
R 4
R 2
R 3
A C D B
R 2 R 4
R 5
E F G
R 1
R 2
H I
Pelacakan Depth-First Search
Prosedur
1. Berikan simpul awal pada daftar open
2. Loop: if open = kosong then exit (fail)
3. n : = first (open)
4. if goal (n) then exit (success)
5. Remove (n, open)
6. Ekspansikan n, berikan semua simpul anak pada kepala open dan
bubuhkan pointer dari simpul anak ke n
7. Kembali ke Loop
Penjelasan:
- Pada langkah 3, elemen pertama daftar open diambil
- Ekspansi simpul n = pembangkitan simpul-simpul anak dari suatu simpul n
Pelacakan Depth-First Search
Urutan pelacakan:
A B
S, A, C, D, B, E, H, G
C D E F
H G Goal
Perubahan daftar ‘open’:
(S) (A B) (C D B) (D B) (B) (E F) (H G F) (G F)
- Bersifat horizontal
- Evaluasi dilakukan terhadap simpul-simpul pada suatu level sebelum
dilanjutkan pada level berikutnya
Prosedur
Prosedur Pelacakan
Penjelasan
Pada langkah 6, jika fungsi biaya dari simpul n ke ni didefinisikan sebagai C(n, ni),
maka fungsi biaya dari simpul ni adalah : g’(ni) = g’(n) + C(n, ni)
Pelacakan untuk memperoleh Solusi Optimal
S
G1 & G2 = Goal
4 1
A B
1 2 2 3
C D E F
4 3 2 1
H G1 I G2
Urutan daftar ‘open’:
S
2 3
A B
5 1 3
3
G 1 C D
2 2
2 1
E G 2
Mem ilihsimpul-
sim p
ulsuatuc a
ban
gya
ngd
ip
er
kir
aka
nle
bihd
eka
t te
rha
dap
sa
sar
a n (n
ila
ih e
uris
tikte
rke
c il)
Mir
ip “ de
pth-
fir
stsear
ch”
P
ro
sedur:
1
.Am biln se
b agais impula w al
2
.Loop:ifg oal(
n)th ene
x it(
s ucce ss
)
3
.Ekspan sikan n,h itun
g ĥ(n
i)u ntu kse
m u
asim
pu
lnid
ana
m b
ils
imp
uld
eng
ann
ila
i
heu
ristik terkeciln ex
tn
4
.I
fĥ(
n )< (
ĥnextn )th
en e xit(
fa il)
5
.n:=n ex tn
6
.Kem ba likeL oo p
Hillc lim
bin
gtid
akd
apa
tdite
rap
kanp
adap
er
soa
la
nya
ngm
emilik
ipu
nca
k-p
unc
ak
lo
c al.
HILL CLIMBING
Initial
A
(5) I J (6)
O P Goal
(1) (0)
Best-First Search
Gabungan Breadth-first & Depth-first
Pada setiap langkah dipilih simpul yang diperkirakan lebih dekat terhadap sasaran
dari semua simpul yang dibangkitkan (tetapi belum diekspansikan)
A A A
(4) E (6) F
Langkah 4 Langkah 5
A A
B (5) C D B (5) C D
(2) I (1) J
Depth-First Search
1. Berikan simpul awal pada open
2. Loop : if open = kosong then exit (fail)
3. n : = first (open)
4. If goal (n) then exit (success)
5. Remove (n, open)
6. Ekspansikan n, berikan semua simpul anak pada kepala open. Bubuhkan
pointer dari simpul anak ke n
7. Goto loop
Best-First Search
A A A
(4) E (6) F
Langkah 4 Langkah 5
A A
B (5) C D B (5) C D
(2) I (1) J
4 6
3 3 2 2 1 1
3 2 1
4 4 4 4 4 4 4 4 4 4 2 1 3 3
G 1 G 2 G 3 G 4 G 5 G 6 G 7 G 8
A*
- a
l
go
ri
t
hm:
SCJ
G7
Op
t
ima
lS
ear
ch
:SC
JG
7
(
wi
tho
u
the
ur
i
st
i
c) (
b
uta
l
lt
he
no
de
so
t
he
rt
ha
ng
o
al
G1–
G8
=
ĥ0 a
r
eex
pa
n
de
d)
A
*-
al
go
ri
t
hm:
non
o
de
sa
r
ee
xp
a
n
de
do
t
he
rt
h
ant
h
ose
l
yi
ngo
nt
h
e
o
p
t
im
ump
at
h
S (7)
2 3
A (6) B (6)
3 3 1 2
4 3 2 3 4 4
3 4 4 3 4 2 3 3
2 2 2 2
K G 1 L G 2 M
(2) (2) (2)
goal goal
A-algorithm
Find optimum solution when the cost to the goal can be inferred
Use knowledge about the problem
Open-list
Solution : S B D I G2
Minimax
One-ply search
A max
A (-2)
max
E F G H I J K max
B C D
E F G H I J K
L M N O P Q R S T U V W X Y
7 6 8 5 2 3 0 -2 6 2 5 8 9 2
Representasi simpul
1. Bagaimana objek individual & fakta direpresentasikan
2. Bagaimana menggabungkan objek individual untuk membentuk representasi
yang lengkap
3. Bagaimana mempresentasikan secara efisien sekuens state persoalan
Matching
Dengan index
Dengan variable
Menyaring hasil matching
o Revolusi konflik: pemilihan kaidah pada proses matching
Informasi Heuristik
Teknik menerima solusi
Mekanisme ‘back-tracking’
Mempersempit ruang pelacakan
Minimax
S max
A B min
n 1
n 2
C D E F max
n 11
n 12
n 21
n 22
n = M ax node
n i = c h ild o f m a x n o d e , i = 1 – m
n ij = c h ild n o d e o f e a c h m a x n o d e , j = 1 – i m
f = e v a lu a tio n f u n c tio n
M A X : f ( n i ) = max f (n i )
i
M IN : f ( n ij ) = min f ( n ij )
j
M A X : f ( n ij ) = max { min f ( n ij ) }
i j
k = d e p th o f th e tre e
M A X s h o u ld s e le c t i 1 s .t:
f (n i1 i 2 i k ) = max min … { f (n i1 i 2 i k )}
i1 i2
Irrevocable :
Langkah (kaidah) yang diambil merupakan keputusan yang tidak dapat
diperbaiki lagi
Tentative :
Memberi kesempatan untuk mempertimbangkan akibat dari langkah tersebut,
dan menarik kembali bila tidak menguntungkan
Backtracking:
Titik backtrack dipilih ketika suatu kaidah diterapkan. Proses pelacakan dapat
kembali ke titik backtrack dan mencoba kaidah lain
Graph Search:
Sejumlah kaidah diterapkan secara serentak dan dicatat seluruh calon jejak
(path) ke solusi
Informed Search
Didasarkan pada ‘knowledge’ tentang domain persoalan
Aplikasi AI
Konfigurasi
o Komputer System
Diagnosa
o Comp. Hardware, Comp. Network
o Telephone Trouble
o Medical
o Electronics Instruments
Interpretasi & Analisa
Pemantauan
Planning
Intelligent Interfaces
o Hardware Inst
o Control Panels
Natural Language Sistems
Design Systems
o VLSI, sintesa rangkaian
Computer Vision Systems
Software Development
o Automatic Programming
Anteseden disjungtif
Pertanyaan,
masalah
Jawaban,
solusi
membangun
wawancara
Alat bantu
Pengembang KNOWLEDGE EXPERT
Pengguna
Expert menggunakan ENGINEERING SYSTEM konsultasi
System
menambah data
Staf
Administrasi
Domain and
performance
theories
Heuristics
ces
No Domain-dependent an d experien Surface
s
knowledge facts f ro m mentor knowledge
g
Learnin
Compiled
Learnin knowledge
g from
school Deep
Domain-dependent and bo
oks knowledge
definition
First pronciples,
axiom and laws
General
theories
Properti Expert System dalam Bidang Diagnosis
Persoalan jumlah kategori keterangan
rule
diagnosis penyakit 34 diagnosis menentukan jenis penyakit hati berdasar gejala-
hati gejala yang khas tanpa menggunakan uji
laboratorium
AE AE
AE
AE GH GH
GH
GH C C
C
C B F B
B
B D D
D
F Z
eksekusi eksekusi
match match match eksekusi
A D
C Z
B
FAKTA FAKTA FAKTA
E E E
A A A
H H H
G G G
C C C
B B B
E E E
A A A
H H H
G G G
C C C
B B B
Want D Want A
Need
Get A
eksekusi eksekusi
Spill smells
like vinegar
P
e 1
e 2
e n
PENJELASAN GANDA
JARAK AKUISISI
domain
facts
domain goal
rules concept
RUANG PELACAKAN
TERLALU LUAS
Kontradiksi
P NOT P
e 1
e 2
KONTRADIKSI
Sistem Sistem
Elektrik Mekanis
Hipotesa
JIKA kondisi 1
DAN kondisi 2
DAN kondisi 3
… ……..
MAKA aksi 1 – probabilitas = P1
DAN aksi 2 – Probabilitas = P2
… …….. …………
F
ORM
AT
KAI
DAH
I
F
K
on
di
si1
a
ndK
on
di
si2
a
ndK
on
di
si3
a
ndKon
dis
in
T
H E
N
Kon
dis
im
a
ndKon
dis
im+1
a
ndCho
ic
e 1
a
ndCho
ic
e 2
a
ndC
ho
ic
ek
N
OTE
:
R
EF
EREN
CE
:
Prosedur Konsultasi antara pengguna dan expert system
Pada persoalan diagnosis
USER EXPERT SYSTEM
pertanyaan menentukan
penyebab
kegagalan yang
jawaban mungkin
pengujian menyarankan
pengujian untuk
mencek apakah
kerusakan telah
hasil uji diperbaiki
memberikan saran
saran akhir
akhir jika perbaikan
belum berhasil
RULE
IF kondisi 1
AND kondisi 2
AND kondisi 3
THEN kondisi n
kondisi n + 1
choice 1
choice 2
choice m
Kondisi
Qualifier
Value (s/d 30 value)
Kondisi
text/kalimat
statement aljabar
MYCIN: Diagnosa Kedokteran
JIKA
Infeksi penderita adalah bakteremia-primer dan
Lokasi organisme adalah pada lokasi yang steril dan
Cara masuk organisme melalui gastro-intestinal
MAKA
Dapat diduga (0.7) bahwa identitas organisme adalah bacteroid
INFERENSI
USER
USER
KNOWLEDGE INTERFACE
BASE
KNOWLEDGE EXPERT
EXPERT
ENGINEER SYSTEM
FUZZY REASONING
P (tinggi(x)) = 0,75
Operator:
P1 AND P2 = MIN (P1, P2)
P1 OR P2 = MAX (P1, P2)
NOT P1 = 1 – P1
Contoh:
Rule 1:
IF x drives a Volvo car …1,0
AND x reads the guardian newspaper …0,8
THEN x will vote for the Social Democratis Party (SDP)
0,8
Rule 2:
IF x dislikes Thatcher 0,5
AND x supports UK membership of the EEC …0,25
THEN x will vote for the SDP
0,25
Pembobotan Evidence:
Shortliffe:
Pengetahuan
Deklaratif
Prosedural
Inferensi
Forward Chaining
Backward Chaining
Akuisisi Pengetahuan
Handcrafting
Induksi (learning)
Rule 3 (Kredibilitas 0.64)
IF x drives a Chevrolet (a)
AND x reads Reader’s Digest (b)
THEN x will vote Republican
3a 0,88
AND 0,5
3b 0,5
4a 0,5
OR 0,7
4b 0,7
Kredibilitas
Rule 3 0,5 0,64 = 0,32
Rule 4 0,7 0,8 = 0,56
- beberapa kaidah dapat memiliki konsekuen yang sama, tetapi dengan anteseden
berbeda
If : The car has either of these symptoms:
the starter doesn’t crank or
the starter makes odd (grinding) noises
Then : Consider the possibility of a starter malfunction
- konsekuen treatment
If : A conclusion of battery discharged has been “tentatively” reached
and the reasoning shows that the following rules were invoked in
reaching the conclusion:
Rule 106: using “car wont’s start” as an antecedent
Rule 139: using “headlights dim” as an antecedent
Then : The conclusion has still not yet been confirmed by a battery-fluid
tester.
If : The car has a battery discharged problem and the battery has just
been replaced
Then : consider testing the charging system (alternator or regulator)
Hukum-hukum fisik
Misal: hokum OHM
Interpretasi perilaku
Misal: kemampuan trouble shooting
Metaknowledge
STRUKTUR PENGETAHUAN :
Pola-pola fakta
Pola-pola hipotesis
Macam rekomendasi
Level kompleksitas pengetahuan hirarki
Ketidakpastian
Kaitan antar fakta dan hipotesis
Anteseden dapat berupa pengamatan atau hasil uji instrumen
HANDCRAFTING INDUKSI
- pengetahuan telah diperoleh dalam - terdapat sejumlah contoh yang
bentuk handbook, instruksi dll. representatif
- akses kepada pakar selalu - pakar langka (akses tidak selalu
dimungkinkan dimungkinkan)
- pakar tidak mengalami kesulitan - pakar mengalami kesulitan dalam
dalam menjelaskan mekanisme menjelaskan mekanisme
penalarannya penalarannya
- umumnya domain permasalahan luas - domain terbatas dan “well defined”
ALGORITMA CONCEPT LEARNING
Keahlian Pakar
Kasus-kasus
Dokumen
Gambar-gambar
Laporan
Data lain
AKUISISI PENGETAHUAN
Proses menyerap pengetahuan dari sumber-sumber pengetahuan dan
transformasinya kedalam bentuk representasi internal berdasarkan kerangka
representasi pengetahuan.
PRINSIP-PRINSIP:
“Concept Learning”:
pembentukan konsep berdasarkan contoh-contoh yang diberikan
pemisahan contoh ke dalam sejumlah subset didasarkan pada nilai atribut
proses perampatan (generalization) dan klasifikasi contoh-contoh
contoh-contoh yang representatif tersedia & lengkap? memperlihatkan
karakterisitk keahlian pakar
memungkinkan interaksi langsung antara pakar dengan expert system yang
dibangun.
REPRESENTASI PENGETAHUAN
Deklaratif
o Predicate logic
o jaringan semantic
o Frame
1. Basis pengetahuan
kumpulan knowledge
2. Kondisi
pernyataan sederhana dari fakta-fakta
3. Qualifier
mencakup kata kerja
4. Value
kemungkinan yang melengkapi kalimat yang dimulai dengan Qualifier
5. Choice
kemungkinan solusi dari masalah yang akan dipecahkan
6. Nilai kemungkinan
derajat kemungkinan kebenaran suatu konklusi
Rule 5
Jika hari kedatangan adalah Senin atau Selasa atau Rabu atau Kamis
Dan waktu antara pukul 4.00 PM dan 9.00 AM
Maka waktu datangnya terlambat
Rule 6
Jika hari kedatangan adalah Jumat
Dan waktu antara pukul 11.00 AM dan 4.00 PM atau antara 4.00 PM dan 9.00 AM
Maka waktu datangnya terlambat
Rule 7
Jika hari kedatangan adalah Sabtu atau Minggu
Maka waktu datangnya terlambat
Rule 8
Jika hari kedatangan adalah bukan Sabtu atau Minggu
Dan waktu antara pukul 9.00 AM dan 11.00 AM
Maka waktu datangnya tepat
Rule 9
Jika hari kedatangan adalah Senin atau Selasa
Dan waktu antara pukul 11.00 AM dan 4.00 PM
Maka waktu datangnya terlambat
Rule 10
Jika suara pasien serak
Maka pasien dalam keadaan sakit
Rule 1
Jika pemanggil sakit
Dan dokter sedang pergi
Maka aspirin (P = 10/10)
Dan panggil lagi besok pagi (P = 10/10)
Rule 2
Jika mukanya pucat
Maka pemanggil sakit
Rule 3
Jika temperatur diatas 40o
Maka pemanggil sakit
Rule 4
Jika mukanya tidak pucat
Dan temperatur dibawah 40o
Maka pemanggil sehat
Rule 5
Jika hari ini Jumat
Dan waktu antara pukul 2.00 PM dan 4.00 PM atau antara 4.00 PM dan
9.00 PM
Maka dokter sedang pergi
Rule 6
Jika hari ini Senin atau Selasa atau Rabu atau Kamis
Dan waktu antara pukul 4.00 PM dan 9.00 AM
Maka dokter sedang pergi
Rule 7
Jika hari ini Sabtu atau Minggu
Maka dokter sedang pergi
Rule 8
Jika hari ini bukan Sabtu atau Minggu
Dan waktu antara pukul 9.00 PM dan 2.00 PM
Maka waktu terlalu dini
Rule 1
If .
Then
choice 1 : Probability = 0/10
Rule 2
If .
Then
choice 1 : Probability = 2/10
Rule 3
If .
Then
choice 1 : Probability = 8/10
Rule 4
If .
Then
choice 1 : Probability = 10/10
PROBABILITAS:
a. 0 atau 1
0 “no”
1 “yes”
missal: memilih sejumlah itemd ari suatu daftar
b. 0 – 10
0 “absolutely no”
10 “absolutely yes”
jika choice muncul pada beberapa rule rata-rata
3/10, 8/10, 4/10 5/10
3/10, 9/10, 0/10 0/10
3/10, 10/10, 4/10 10/10
c. 0 – 100
- rata-rata
- dependent probabilities
60/100, 90/100 60/100 90/100 = 54%
- independent probabilities
60/100, 90/100 1 – ((1 – 60%) * (1 – 90%)) = 96%
Rule 1
IF x drives a Volkswagen (a)
AND x reads Washington Post (b)
THEN x will vote Democrat
Rule 2
IF x dislikes Ronald Reagan (a)
OR x wants the US to pull out of EL. Salvador (b)
THEN x will vote Democrat
1a 0,8
AND MIN = 0,75
1b 0,75
2a 0,4
OR MAX = 0,6
2b 0,6
Hipotesis bahwa x mendukung Democrat
Rule 1
Jika pasien dalam keadaan sakit
Dan waktu datangnya terlambat
Maka aspirin – probabilitas = 10/10
Dan dating lagi besok pagi – probabilitas = 10/10
Rule 2
Jika raut mukanya pucat
Maka pasien dalam keadaan sakit
Rule 3
Jika temperatur tubuh diatas 40oC
Maka pasien dalam keadaan sakit
Rule 4
Jika raut mukanya tidak pucat
Dan temperatur tubuh dibawah 40oC
Maka pasien dalam keadaan sehat
Rule 6
Jika waktu kedatangan adalah hari Sabtu atau Minggu
Maka waktu datangnya terlambat
Rule 7
Jika waktu kedatangan adalah hari Jumat
Dan waktunya antara pukul 11.00 – 13.00 atau antara pukul 21.00 – 6.00
Maka waktu datangnya terlambat
Rule 8
Jika waktu kedatangan adalah tidak hari Sabtu dan Minggu
Dan waktunya antara pukul 6.00 – 19.00
Maka waktu datangnya cukup dini/tidak terlambat
Para pakar diagnostik sering menggunakan hipotesis antara (intermediate hypothesis)
sebagai “batu loncatan”.
komponen penting dalam penalaran (reasoning)
1. Konklusi (advice) harus dapat dibangkitkan oleh sistem dari sejumlah elemen
2. Fakta teramati (evidence) harus dapat diperoleh oleh pengguna atau oleh sistem
itu sendiri
3. Asumsi awal harus membatasi lingkup masalah mengarahkan penalaran
sistem
4. Basis pengetahuan atau struktur kaidah harus dapat mengkaitkan fakta teramati
dengan konklusi
kaidah logis
kaidah probabilistik
5. Strategi kontrol penalaran harus dirancang untuk mengarahkan penalaran es
menghasilkan output yang dapat diterima oleh respon pengguna
3. Formalisasi
representasi pengetahuan secara formal (rule-based, frame-based dll) berdasarkan
expert system building tool
4. Implementasi
mengimplementasi formalized knowledge ke program komputer
struktur data, inference rules & control strategy
5. Pengujian
evaluasi performance & utilitas prototype es
perbaikan
Prototipe
efektivitas
uji definisi, scope & representasi
50 – 100 rule
If : The car won’t start and the starter cranks slowly and the battery has not been tested
Then : A battery tes should be performed
Jenis Kronis
Cirhosis Hepatitis
Hepatoma
Hepatitis Kronis
EATS
MEAT
DARK
HAIR AND SPOTS
BROWN
BROWN
FORWARD CHAINING
DARK
SPOTS
WHITE
AND ZEBRA
UNGULATE
AND BLACK
EVEN-TOED
STRIPLES
CHEWS
CUD
DOES NOT FLY
BLACK AND
FEATHERS
WHITE AND OSTRICH
FLIES
OR BIRD AND
GOOG FLIER
EXAMPLES RULES – TOY CASE
IF THE ANIMAL HAS HARI IF THE ANIMAL HAS FEATHERS
OR OR
IF THE ANIMAL GIVES MILK IF THE ANIMAL FLIES
THEN AND THE ANIMAL LAYS EGGS
THE ANIMAL IS MAMMAL THEN
THE ANIMAL IS A BIRD