INFERENSI.

Slides:



Advertisements
Presentasi serupa
Penyelesaian Masalah Dengan AI
Advertisements

SISTEM PAKAR Ari Eko Wardoyo, ST.
functional dependencies (FD)
Representasi Pengetahuan
Team Teaching Sistem Pakar.
PENARIKAN KESIMPULAN/ INFERENSI
Pengenalan logika Pertemuan 1.
Expert Systems Fanny Widadie, S.P, M.Agr.
Mengatasi Ketidakpastian (Uncertainty)
Kuliah Sistem Pakar Pertemuan VI
SISTEM BERBASIS PENGETAHUAN (Minggu 4)
Metode Inferensi dan Penalaran
Sistem Pakar.
MESIN INFERENSI.
METODE INFERENSI.
SISTEM PAKAR Disusun Oleh : Dessy Ratnasari ( )
SISTEM PRODUKSI Oleh : KELOMPOK 6 Elfadiaz C Kharisma K M. Safril BN M. Satria E Fajar Cahya N
MOTOR INFERENSI.
Knowledge Representation (lanjutan)
Sistem Pakar.
Bab 13 Pengelolaan Proses Bab
Arsitektur Sistem Pakar
Pertemuan 18 SISTEM PAKAR.
METODE INFERENSI Dr. Kusrini, M.Kom.
LOGIKA FUZZY PERTEMUAN 3.
SISTEM PAKAR & KECERDASAN BUATAN
PENGETAHUAN BERDASARKAN RULES PERTEMUAN MINGGU KE-6.
Sistem Pakar.
Definisi Inferensi  Inferensi adalah : Proses yang digunakan dalam Sistem Pakar untuk menghasilkan informasi baru dari informasi yang telah diketahui.
SISTEM PAKAR (expert system)
SISTEM PAKAR DAN SPK.
KECERDASAN BUATAN PERTEMUAN 10.
Kecerdasan buatan Nelly Indriani Widiastuti S.Si.,M.T.
BAB Latar Belakang Adapun perkembangan teknologi saat ini khususnya dalam pemilihan model monitor, baik instansi pemerintah, swasta ataupun perorangan.
Penyelesaian Masalah menggunakan Teknik Pencarian Blind Search
INFERENCE Artificial Intelligence
INFERENSI.
Pendekatan Inferensi dalam Sistem Pakar
KNOWLEDGE REPRESENTATION
EXPERT SYSTEM By Daniel Damaris NS.
PERTEMUAN 4 SISTEM PAKAR
Backward Chaining.
Pendekatan Inferensi dalam Sistem Pakar
BASIS PENGETAHUAN DAN METODE INFERENSI
SISTEM BERBASIS PENGETAHUAN
Model Heuristik Dr. Sri Kusumadewi, S.Si., MT. Materi Kuliah [8]:
METODE INFERENSI Kusrini, M.Kom.
SISTEM PAKAR & KECERDASAN BUATAN
SISTEM PAKAR SEPTI EKA H ( ) SRIWAHYUNI ( )
KECERDASAN BUATAN PERTEMUAN 10.
Backward Chaining 17/9/2015 Kode MK : MK :.
METODE INFERENSI 17/9/2015 Kode MK : MK :.
Backward Chaining 17/9/2015 Kode MK : MK :.
Pertemuan 9 PENGANTAR SISTEM PAKAR
Metode Inferensi By: Edi, MKM.
ARTIFICIAL INTELEGENCE
Metode Inferensi.
MATERI PERKULIAHAN KECERDASAN BUATAN
TEKNIK INFERENSI Teknik inferensi adalah proses yang digunakan dalam sistem pakar untuk menghasilkan suatu informasi baru yang diperoleh dari informasi.
METODE INFERENSI 17/9/2015 Kode MK : MK :.
INFERENSI DAN PENALARAN
Pertemuan 11 PENGANTAR SISTEM PAKAR
Sistem Pakar Team : Jusepto ( ) Irsyad Arismuda ( )
Pertemuan 10 REASONING (PENALARAN)
MEKANISME INFERENSI Program Studi S1 Informatika
SISTEM PAKAR.
Masalah, Ruang Masalah dan Pencarian
SISTEM PAKAR & KECERDASAN BUATAN
GUNAWAN Materi Kuliah [8]: (Sistem Pendukung Keputusan)
SISTEM PAKAR (expert system). Kepakaran (Expertise) Kepakaran merupakan suatu pengetahuan yang diperoleh dari pelatihan, membaca dan pengalaman. Kepakaran.
Transcript presentasi:

INFERENSI

INFERENSI Inference engine Jenis metode inference Penalaran deduktif dan silogisme

Pengertian Proses untuk menghasilkan informasi dari fakta yang diketahui atau diasumsikan Merupakan konklusi logis atau implikasi berdasarkan informasi yang tersedia Dilakukan dalam suatu modul yang disebut inference engine Representasi pengetahuan pada bagian knowledge base telah lengkap (pada level yang cukup akurat)  siap digunakan  mengendalikan proses reasoning mengg. inference engine

Metode yang dipergunakan Forward chaining (runut maju)‏ Backward chaining (runut balik)‏

Tipe-tipe inferensi

Deductive Logic Yang paling sering dipakai : deductive logic, untuk menentukan validitas “argument”. Silogisme merupakan satu tipe argumen logika. Contoh : Premise : Anyone who can program is intelligent Premise : John can program Conclusion : Therefore, John is intelligent

Premise Digunakan sebagai bukti untuk mendukung suatu kesimpulan. Disebut juga antecedent Kesimpulan/Conclusion Disebut juga consequent Karakteristik logika deduktif adalah kesimpulan benar harus mengikuti dari premis yg benar

Contoh Anyone who can program is intelligent John can program John is intelligent Dalam bentuk IF-THEN IF Anyone who can program is intelligent And John can program THEN John is intelligent

Forward chaining Disebut data-driven Rule akan dieksekusi jika premis (bagian dari IF) terpenuhi Penalaran berawal dari semua fakta yang diketahui untuk menuju ke satu konklusi Baik digunakan jika tree melebar dan tidak dalam, memudahkan pencarian breadth first (pencarian konklusi berproses level ke level)

Backward chaining Disebut juga goal-driven Pilih konklusi dan coba buktikan kebenarannya dengan menganalisa evidence / premis yang mendukung konklusi tersebut berdasarkan fakta yang diberikan Memudahkan pencarian depth first, tree yang baik untuk depth first adalah yang menyempit dan dalam

Pengkodean yang diperoleh saat knowledge acquisition A1 = suhu tubuh >= 38°C A2 = pusing A3 = pilek A4 = batuk A5 = batuk yang terus menerus dimalam hari A6 = nafas berbunyi P1 = demam biasa P2 = batuk biasa P3 = influensa/infeksi virus P4 = batuk rejan P5 = infeksi saluran nafas

Rule yang ada pada knowledge base R1 : IF A1 THEN P1 R2 : IF A4 THEN P2 R3 : IF (P1 or A2) and (P2 or A3) THEN P3 R4 : IF P3 and A5 THEN P4 R5 : IF P3 and A6 THEN P5 Fakta-fakta yang diperoleh dari user adalah demam, pusing, batuk dan batuk tersebut lebih sering di malam hari (A1, A2, A4, A5 -> benar

Tree untuk rule tersebut A1 A4 P1 P2 A2 A3 P3 A6 P5 A5 P4

Algoritma Forward chaining Catat semua fakta yang diinputkan oleh user Catat semua rule yang bagian premisnya menggunakan fakta yang sesuai ke dalam queue Q Sampai tidak ada rule, pada Q : Analisa rule pertama pada Q Jika premis tidak terpenuhi, hapus rule dari Q dan kembali ke a Jika premis terpenuhi : eksekusi rule, catat konklusi dari rule Cari rule yang menggunakan konklusi tersebut sebagai premis Jika rule belum ada pada Q, catat rule tersebut meskipun premis tidak sepenuhnya terpenuhi. Hapus rule awal dari Q Konklusi akhir diperoleh

Penyelesaian dengan forward chaining Fakta dari user A1, A2, A3, A4, A5 Rule yang sesuai = R1, R2, R3, R4 Sampai tidak ada rule pada Q Q R K Iterasi 1 R1, R2, R3, R4 R1 P1 Iterasi 2 R2, R3, R4 R2 P2 Iterasi 3 R3, R4 R3 P3 Iterasi 4 R4 P4

Algoritma backward chaining Catat GOAL pada TOS (top of stack) Catat semua rule yang memenuhi GOAL Untuk setiap rule : Jika semua premis terpenuhi, maka eksekusi rule untuk mendapat konklusi, proses selesai Jika sebuah premis tidak terpenuhi, cari rule yang menurunkan nilai dari parameter premis tsb. Maka Jika ada, maka asumsi parameter tsb adalah SUBGOAL, letakkan pada TOS. Jika tidak ada, maka tanyakan kepada user apa nilai dari parameter tsb. Jika nilai ini sesuai premis, lanjutkan pada premis berikutnya. Jika premis tidak sesuai lanjutkan ke rule berikutnya. Jika semua rule sudah dianalisa dan semuanya gagal, maka GOAL tidak ada. Hapus GOAL dari stack dan kembali ke langkah 2. Jika stack kosong, proses selesai

Forward atau backward ? Cek hubungan antara rule dengan fakta utk menghasilkan konklusi Sekumpulan fakta -> banyak konklusi -> backward chaining Sekumpulan hipotesis -> banyak pertanyaan -> forward chaining Banyak cara utk mendapatkan sedikit konklusi -> forward chaining Sedikit cara untuk mendapatkan banyak konklusi -> backward chaining

Tugas Disimpan di e-learning SBP - Dropbox - file-file dikirim - tugas makalah tipe inferensi individu Dengan format nama file : NPM_nama.doc

Sampai jumpa lagi