Teknik Pemecahan Persoalan dengan Artificial Intelligence

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:

 Ignorable (mis pembuktian teorema)

 Recoverable (mis teja-teki-8)
 Irrecoverable (mis catur)
 Initial State Goal State
2 3 1 2 3

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

(A) (B) (C)

Heuristic
h1 = number of mismatched tiles
h2 = sum of the (horizontal and vertical) disatancer of mismatched tiles

h1(A) = 2, h1(B) = 3, h1(C) = 4

h2(A) = 2, h2(B) = 3, h2(C) = 4

The state A is the one closest to the goal.

 Pengisian Bak

4 liter 3 liter

Bagaimana mendapatkan air sebanyak 2 liter pada bak 4 liter?

Kaidah:

1. (X, Y | X<4)  (4, Y)

2. (X, Y | Y<3)  (X, 3)
3. (X, Y | X>0)  (X – D, Y)
4. (X, Y | Y>0)  (X, Y – D)
5. (X, Y | X>0)  (0, Y)
6. (X, Y | Y<0)  (X, 0)
7. (X, Y | X + Y> = 4  Y>0)  (4, Y – (4 – x))
8. (X, Y | X + Y> = 3  Y>0)  (X – (3 – Y), 3)
9. (X, Y | X + Y< = 4  Y>0)  (X + Y,0)
10. (X, Y | X + Y< = 3  X>0)  (0, X + Y)
 Mendefinisikan persoalan dalam ruang keadaan
Permainan catur:

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

Initial states Goal states

 Non Decomposable

C B

A B C

ON(C, A) ON(B, C) ON(A, B) 

 On (B, C) and on (A, B)

On (B, C) On (A, B)

Put B on C

On (B, C) Clear (A) On (A, B)

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

 Apakah langkah solusi dapat diabaikan/dibatalkan?

Karakteristik AI:

- Symbolic Processing
- Heuristik
- Representasi Knowledge
- Data yang tidak lengkap
- Deduktif dan induktif

Bahasa Pemrograman AI

- Struktur Data + Algoritma = Program

- Knowledge Base + Inference = System
 1 4 1 2 3

8 2 3 8 4

7 6 5 7 6 5

Initial State Goal State

1. Representasikan search space dengan

a. Tree
b. Graph
2. Terapkan
a. Depth first search
b. Breadth first seach

Pada tree dan graph dan amati perubahan pada daftar “open” dan/atau
“closed”
Sistem Produksi

Menstrukturkan program AI untuk mendeskripsikan proses pelacakan

 Sejumlah kaidah
 Basis data
 Control strategy

(0, 0)

(4, 0) (0, 3)

(4, 3) (0, 0) (1, 3) (4, 3) (0, 0) (3, 0)

Karakteristik Persoalan

1. Apakah persoalan dapat dipilah-pilahkan (decomposable) ke dalam sub-sub

persoalan yang independen?

 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:

1. Definisikan State Space (konfigurasi yang mungkin dari objek-objek yang

relevan)
2. Definisikan Initial State
3. Definisikan Goal State
4. Tentukan kaidah/operator
 KONTROL STRATEGI

 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

  initisl state >  goal state  backward dan sebaliknya

 Faktor percabangan (jumlah rata-rata simpul yang dapat dicapai
secara langsung dari sebuah simpul). Arah pelacakan menuju faktor
percabangan yang kecil
 Proses penalaran
 Bidirectional
Topologi pelcakan
 pohon (tree)
 grafik

Pohon
(0, 0)

(4, 0) (0, 3)

(4, 3) (0, 0) (1, 3) (4, 3) (0, 0) (3, 0) Grafik

(0, 0)

(4, 0) (0, 3)

(1, 3) (4, 3) (3, 0)

Hubungan antara Initial states, Procedures dan Goal dalam
Proses penelusuran

Initial States Procedures Goals

Control
Strategy
 Basic search process

Control
Strategy

Data Base
- Initial States
- Goal
Operators
- Current Status
- Record of previous
transactions
 Evaluation functions

For chess, typically linear weighted sum of features

EVAL(s) = w1f1(s) + w2f2(s) + … + wnfn(s)

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

 Algoritma + struktur data = program

 Algoritmik
 Manipulas numeric / prosedur sekuensial

Pemrograman Artificial Intelligence

 Knowledge base + inference = system

 Pemilihan alternatif
 Representasi & manipulasi simbolik
 Pemisahan mekanisme “knowledge” dengan “control strategy”
 Hill Climbing

(9) A (7) B (8) C (9) D

E (6) F (5) G (6)

(4) H (3) I J (2)

K (1) L (0)

Goal
TRIAL & ERROR
Metode paling sederhana

Prosedur Pelacakan

1. Ambil state sebagai keadaam awal

2. While state  keadaan sasaran do
3. Begin
4. Pilih operator yang dapat diterapkan pada state, dan diset sebagai operator
5. State : = operator (state)
6. End

Penjelasan:

 Pada langkah 4, operator dipilih secara acak

 Pada langkah 5, operator yang dipilih diterapkan pada state membentuk
state baru
 Stokastik, tidak menjamin dicapainya keadaan sasaran
 Tidak memperlihatkan karakteristik ‘intelegensi’
 TRIAL & ERROR

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

 Representasi: Diagram pohon atau grafik

 Simpul yang lebih dalam diperiksa terlebih dahulu  Penelusuran
simpul-simpul pada suatu cabang sampai kedalaman yang ditentukan.

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)

Dengan diagram grafik:

5. Remove (n, open)

Add (n, closed)
6. Ekspansikan n. Berikan pada kepala open semua simpul anak yang
belum muncul pada open atau closed dan bubuhkan pointer ke n.
Pelacakan Breadth-First Search

- Bersifat horizontal
- Evaluasi dilakukan terhadap simpul-simpul pada suatu level sebelum
dilanjutkan pada level berikutnya

Prosedur

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. Add (n, closed)
7. Ekspansikan n. Berikan pada ekonr open semua simpul anak yang belum
muncul pada open atau closed dan bubuhkan pointer ke n.
8. Kembali ke Loop
Pelacakan untuk memperoleh Solusi Optimal
 Mencari jejak dengan ‘cost’ (biaya) minimum
 ‘Cost’ untuk penerapan operator diberikan

Prosedur Pelacakan

1. Berikan simpul awal S pada open, g’(s) = 0

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, hitung g’(ni) untuk semua simpul anak ni dan bubuhkan pointer dari
ni ke n. Berikan semua simpul anak pada open dan urutkan mulai biaya
terendahnya
7. Kembali ke Loop

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(0))  (B(1)A(4))  (E(3)A(4)F(4))  (A(4)F(4)G1(6)H(7)) 

(F(4)C(5)G1(6)D(6)H(7))  (G2(5)C(5)G1(6)D(6)I(6)H(7))

Pada representasi grafik

S
2 3

A B
5 1 3
3
G 1 C D
2 2
2 1
E G 2

(S(0))  (A(2)B(3))  (B(3)C(5)G1(7))  (C(4)D(6)G(7)) 

(G2(6)D(6)E(6)G1(7))
 Pelacakan dengan Informasi Heuristik

 Heuristik adalah kriteria, metoda, atau prinsip-prinsip untuk menentukan

pilihan dari sejumlah alternatif mencapai sasaran dengan efektif
 Mekanisme Backtracking = kembali ke state sebelumnya jika suatu
solusi gagal diperoleh
 Heuristik dipergunakan untuk mempersempit ruang pelacakan.
H
illC
lim
bin
g


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

(15) B (13) C (14) D (14) E

F (11) G (10) H (8)

(5) I J (6)

K (4) L (2) M (3)

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)

Langkah 1 Langkah 2 Langkah 3

A A A

(3) B (5) C (1) D (3) B (5) C D

(4) E (6) F

Langkah 4 Langkah 5

A A

B (5) C D B (5) C D

(6) E (5) F (4) E (6) F (6) E (5) F E (6) F

(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

Langkah 1 Langkah 2 Langkah 3

A A A

(3) B (5) C (1) D (3) B (5) C D

(4) E (6) F

Langkah 4 Langkah 5

A A

B (5) C D B (5) C D

(6) E (5) F (4) E (6) F (6) E (5) F E (6) F

(2) I (1) J

Bagaimana perubahan pada daftar “Open” ?

 S (7)

4 6

A (5) B (4) C (2)

3 3 2 2 1 1
3 2 1

D (3) E (3) F (3) H (3) I (3) J (1) K (2)

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

C (5) D (3) E (5)

4 3 2 3 4 4

F (3) H (3) I (2) J (3)

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

(S(7))  (A(8)B(9))  (D(8)B(9)C(10))  (B(9)C(10)H(10)I(10)) 

(D(7)C(10)E(10)H(10)I(10)  (H(9)I(9)C(10)E(10)) 
(I(9)G1(10)C(10)E(10)L(11))  (G2(9)G1(10)C(10)E(10)L(11))

Solution : S  B  D  I  G2
 Minimax

One-ply search

A max

(8) B C (3) D (-2) min

Static evaluation function : [-10, 10]

win for opponent win for us

 Two-ply Search

A (-2)
max

(-6) B C (-2) D (-4) min

E F G H I J K max

(9) (-6) (0) (0) (-2) (-4) (-3)

A = maximizing player

Question : What move should he choose

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

1 & 2  knowledge representation

3  frame problem

Matching
 Dengan index
 Dengan variable
 Menyaring hasil matching
o Revolusi konflik: pemilihan kaidah pada proses matching

Misal: Pada pengisian bak air

a. (0, 2)  (2, 0)
b. (x, 2) x > 0 )  (0, 2)

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

Blind Search / Strategi Buta

Pemilihan kaidah tidak didasarkan pada informasi (knowledge) tentang
domain masalah

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

Jika mobil yang diperiksa memiliki salah dari gejala berikut:

starter tidak memutar/mengengkol atau
starter mengeluarkan suara tidak normal
Maka tinjauan kemungkinan kegagalan pada starter

Konsekwen berupa ‘treatment’

Jika karburator banjir

Maka tekan pedal gas sambil men-starter
Rekayasa Pengetahuan (Knowledge Engineering)

 Akuisisi Pengetahuan (Knowledge Acquisition)

 Pengolahan Pengetahuan (Knowledge Processing)

Pertanyaan,
masalah

KNOWLEDGE strategi EXPERT

PAKAR
ENGINEERING rules of thumb SYSTEM
domain rules

Jawaban,
solusi

Proses Akuisisi Pengetahuan

 Pembangun
PAKAR
Alat bantu

membangun
wawancara

Alat bantu
Pengembang KNOWLEDGE EXPERT
Pengguna
Expert menggunakan ENGINEERING SYSTEM konsultasi
System
menambah data

Staf
Administrasi

Komponen-komponen dalam Pembangunan E.S.

Masalah-masalah dalam Proses Akuisisi Pengetahuan

Akuisisi pengetahuan merupakan proses yang sulit, karena:

 Keahlian pakar mengalami proses “internalisasi”
 Keahlian pakar berbentuk “rule of thumb” dan intuisi
 Pakar terlatih untuk menyelesaikan masalah bukan menjelaskan
bagaimana konklusi
 “ill-structured problem”

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

analisis gangguan 70 diagnosis & menentukan jenis gangguan, lokasi, nomor

pada jaringan 70 KV perbaikan penghantar, nomor fasa pada jaringan ring 70
se Bandung Raya KV se Bandung Raya

diagnosis penyakit 53 diagnosis menentukan jenis penyakit daerah tropis dengan

tropis (kedokteran indikasi panas sebagai patokan utama.
umum) Penelusuran lebih lanjut dilakukan pada system
pernapasan dan pencernaan
 Properti Expert System dalam Bidang Diagnosis
Persoalan jumlah kategori keterangan
rule
diagnosis penyakit 48 diagnosis & membantu tenaga medis pemula
gigi pengobatan untuk menentukan penyakit gigi dan
tindakan perawatan berdasarkan
gejala yang teramati dah hasil
pengukuran

troubleshooting 49 diagnosis menentukan komponen yang

gangguan pada mengalami gangguan pada generator
generator serempak serempak berdasarkan gejala yang
teramati dan suatu prosedur
pengujian
 Properti Expert System dalam Bidang Diagnosis
Persoalan jumlah kategori keterangan
rule
diagnosis kerusakan 18 diagnosis & menentukan komponen penting yang
pada radio transistor perbaikan mengalami kerusakan dan cara
perbaikannya

diagnosis masalah gizi 59 diagnosis mendeteksi status gizi balita (malnutrisi)

balita berdasarkan gejala-gejala yang khas
serta pemakaian ‘growth chart’, guna
mengambil tindakan perawatan

troubleshooting 40 diagnosis & mulai dari saat start sampai komputer

komputer mikro IBM perbaikan menjalankan counter RAM, serta upaya
XT/Compatible perbaikannya.
Isolasi kesalahan didasarkan pada gejala
yang teramati dan hasil pengukuran
 FORWARD CHAIN

FAKTA FAKTA FAKTA FAKTA

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

F&B Z F&B Z F&B Z

C&D  F C&D  F C&D  F
AD AD AD

KAIDAH KAIDAH KAIDAH

 (KNOWLEDGE BASE)

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

Z not here F not here C here

Want Z Want F Want C

Need Need

Get F Get B Get C Get D

F&B Z F&B Z F&B Z

C&D  F C&D  F C&D  F
AD AD AD
 FAKTA FAKTA FAKTA

E E E
A A A
H H H
G G G
C C C
B B B

D not here A here Have A

Want D Want A
Need

Get A

F&B Z F&B Z F&B Z

C&D  F C&D  F C&D  F eksekusi
AD AD AD
 FAKTA FAKTA FAKTA
E E E
A A A H
H H G
G G C CB
C B F
B F D
D D Z

Have C Have F Have Z

Have D Have B

eksekusi eksekusi

F&B Z F&B Z F&B Z

C&D  F C&D  F C&D  F
AD AD AD
 The PH of The spill
the spill material
Less than 6 is an acid
The spill
material is
acetic acid

Spill smells
like vinegar
 P

e 1
e 2
e n

PENJELASAN GANDA

JARAK AKUISISI
domain
facts

domain goal
rules concept

CONTOH SUATU KONSEP

RUANG PELACAKAN
TERLALU LUAS
 Kontradiksi

P NOT P

e 1
e 2

KONTRADIKSI

"SMALL LINKS PROBLEM"

Expert System : Lamp Repair

1. IF the lamp does not work

THEN check to see that power is on
2. IF the power is not on
THEN check for blown fuse
3. IF the power is not on
AND the fuse is good
THEN check for a power failure
4. IF the power is not on
AND there is no fuse
THEN check for a tripped circuit breaker
5. IF the power is not on
AND the circuit breaker is on
THEN check for a power failure
6. IF there is a power failure
THEN wait for power to come back on
7. IF the power is on
THEN check the bulb
8. IF the bulb is bad
THEN replace the bulb
9. IF the bulb is good
THEN check the switch
 Kesalahan Lokomotif

Elektrik Mekanis Operator Transmisi

Sistem Sistem
Elektrik Mekanis

Subsistem Subsistem Subsistem

Goveynov Lubrication Pembakaran

Komponen Komponen Hipotesa

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

indikasi kesalahan menentukan daerah

(printout, alarm) kegagalan

pertanyaan menentukan
penyebab
kegagalan yang
jawaban mungkin

tindakan perbaikan menyarankan

(penggantian unit yang rusak) tindakan perbaikan

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)

Suatu rule mungkin memiliki:

 lebih dari 1 value  OR
 lebih dari 1 qualifier  AND

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

Fuzzy logic: merumuskan ketidak pastian diantara nilai-nilai 0 s/d 1

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:

MB[h:e1,e2] = MB[h:e1] + MB [h:e2]  (1 – MB[h:e1])

Pengaruh evidence e2 pada hipotesis h jika mula-mula diberikan eviden e1.

Komponen Expert System

 Basis Pengetahuan (Knowledge Base)

 Inferensi
 Explanatory Interface
 Modul Akuisisi Pengetahuan

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

Rule 4 (Kredibilitas 0.8)

IF x likes retired actors (a)
OR x wants the us to invade Nicaragua (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

MB [Republican: R3, R4]

= 0,32 + 0,56  0,68
= 0,7008
 If : The car won’t start
Then : Consider the possibility of electrical system problems

 If : The car won’t start and

the fuel gauge reads empty
Then : The car has no fuel and
fuel should be placed in the gas tank

- 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

- kaidah ini dapat dipecah  2 kaidah

 If : The carburettor is flooded

Then : Depress accelerator to floor while starting

- 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)

- Antesedent  hipotesis intermediate

JENIS PENGETAHUAN

 Struktur atau topologi

Misal: hubungan fisik komponen-komponen dalam VLSI, unit-unit pada sistem
komputer

 Fungsi dan perilaku

Misal: karakteristik komponen dalam rangkaian & simulasi

 Rancangan dan kendala yang teramati oleh perancang

Misal: alasan yang mendasari digunakannya komponen-komponen tertentu dalam
rangkaian dan hubungannya

 Hukum-hukum fisik
Misal: hokum OHM

 Interpretasi perilaku
Misal: kemampuan trouble shooting

 Kasus-kasus sebelumnya (empirik)

 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

 Perlu diperoleh informasi untuk mendukung dugaan yang coba-coba

Jika mobil tidak dapat distarter dan
putaran starter lambat dan
batere belum diuji
Maka uji batere harus dilakukan

 Jika hasil yang diharapkan tidak teramati:

 alihkan konklusi
 cek keselamatan yang mungkin
 inkonsistensi pada data
KRITERIA

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

1. Ambil sejumlah contoh

2. Berhenti jika seluruh contoh termasuk dalam kelas yang sama
3. Pilih satu atribut untuk memisahkan contoh-contoh
4. Pisahkan contoh-contoh ke dalam sebanyak mungkin subset berdasarkan
nilai atribut
5. Untuk setiap subset, ulangi secara rekursif dari langkah 2
SUMBER-SUMBER PENGETAHUAN

 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.

Dalam wawancara Knowledge Engineer dapat mengemukakan pendapat dan

memperhatikan bagaimana perubahan pendapat pakar terhadap perubahan situasi.
PEMANFAATAN “MACHINE LEARNING”

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

 Prosedural  pattern invoked program IF…THEN…

o Pattern matching
o Backtracking
TERMINOLOGI :

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

2&3 Benar : 5/10

1&2&3 Benar : 0/10
2&3&4 Benar : 10/10
CHOICE: solusi yang mungkin
 item, rekomendasi, saran, “treatment”, dll
 memiliki ‘probabilitas’

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

MB [Democrat: Rule 1, Rule 2] =

MB [Democrat: Rule 1] + MB [Democrat: Rule 2] 
(1 - MB [Democrat: Rule 1])
= 0,75 + 0,6  0,25 = 0,9

Sebuah rule mungkin memiliki nilai kredibilitas diantara 0 s/d 1.

EXPERT SYSTEM UNTUK KEDOKTERAN

Rule 1
Jika pasien dalam keadaan sakit
Dan waktu datangnya terlambat
Maka aspirin – probabilitas = 10/10
Dan dating lagi besok pagi – probabilitas = 10/10

Reduksi menjadi 2 masalah

- Menentukan bahwa pasien sakit
- Menentukan bahwa kedatangannya terlambat

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 2, 3, 4 menguji apakah pasien sakit

Rule 5
Jika waktu kedatangan adalah hari Senin atau Selasa atau Rabu atau Kamis
Dan waktunya antara pukul 21.00 – 6.00
Maka waktu datangnya terlambat

Rule 6
Jika waktu kedatangan adalah hari Sabtu atau Minggu
Maka waktu datangnya terlambat

Rule 5,6 menguji waktu kedatangan

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)

 perlu pertimbangkan pola-pola hipotesis antara yang mungkin dalam basis

pengetahuan.

Jika gejala pasien adalah

mata kuning atau
urine coklat atau
hati nyeri
Maka positip penyakit hati

Jika positip penyakit hati dan

feses berdarah dan
hati nyeri tekan
Maka abses hati karena ambuba : 9/10
10. IF the switch is bad
THEN replace the switch

11. IF the bulb is good

AND the switch is good
THEN check the plug

12. IF the plug is bad

THEN fix or replace the plug

13. IF the bulb is good

AND the switch is good
AND the plug is good
THEN check the cord

14. IF the cord is bad

THEN fix or replace the cord

15. IF the bulb is good

AND the switch is good
AND the plug is good
AND the cord is good
THEN check the wall outlet

16. IF the wall outlet is bad

THEN fix or replace the outlet
STRUKTUR PENGETAHUAN & PENALARAN ES

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

“Keahlian seorang expert terletak pada kemampuannya mempersempit scope solusi

yang mungkin untuk setiap penambahan fakta (evidence)”
 2. Konseptualisasi
Knowledge engineer & expert menentukan:
 konsep relasi & mekanisme kontrol  solusi
 subtask, strategi & batasan
 jangan coba menganalisis masalah secara lengkap sebelum memulai implementasi

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

- konsekuen (jika benar memperbesar kepastian

 Penyakit hati

Hepatitis akut Hrpatitis Hepatitis

karena bawaan
Amuba
Hepatitis A Hepatitis B

Jenis Kronis

Cirhosis Hepatitis
Hepatoma
Hepatitis Kronis
 EATS
MEAT

DARK
HAIR AND SPOTS

OR MAMMAL OR CARNIVORE AND CHEETAH

GIVES
POINTED BROWN
MILK
TEETH AND
CLAWS BLACK
STRIPLES
EYES POINT
FORWARD
AND TIGER

BROWN

BROWN
FORWARD CHAINING
DARK
SPOTS

AND UNGULATE AND GIRAFFE

LONG
HOOVES
NECK
BACKWARD CHAINING
LONG
LEGS

WHITE

AND ZEBRA
UNGULATE
AND BLACK
EVEN-TOED
STRIPLES
CHEWS
CUD
DOES NOT FLY

BLACK AND
FEATHERS
WHITE AND OSTRICH

FLIES
OR BIRD AND

AND AND ALBATROSS

LAYS LONG LEGS
EGGS

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

EXAMPLE RULES-REAL WORLD

IF THE TRAFFIC PER LINE IS NORMAL
AND THE TYPE OF LINE CIRCUIT IS ELC
THEN
THERE IS ONE SPARE LINE PER 479 LINES
AND THE NUMBER OF LINES PER ASM EQUALS 128
AND THE NUMBER OF LINES PER PGA EQUALS 6
ITISA (CHEETAH):-
ITIS(MAMM AL),
ITIS(CARNIVOR E),
HA S(TAWNY CO LO UR),
HA S(DARK SP
O TS).
ITISA (TIG
ER):-
ITIS(MAMM AL),
ITIS(CARNIVOR E),
HA S(TAWNY CO LO UR),
HA S(BLACK S
T RIPE S
).

ITIS(MAMM AL):-
HAS(HAIR).
ITIS(MAMM AL):-
DOES(GIVEM ILK ).
ITIS(B
IRD):-
HAS(FEATH ERS)
ITIS(B
IRD):-
DOES(FLY),
DOES(LAY E G
GS ).

ITIS(UN GULATE):-
ITIS(MAMM A L
),
HA S(HOOFS).
ITIS(UN GULATE):-
ITIS(MAMM A L
)
DO ES(C
H E
W C UD ).