Artificial Intelligence

Presentasi berjudul: "Artificial Intelligence"— Transcript presentasi:

1 Artificial Intelligence
Kecerdasan Buatan/ Artificial Intelligence Agen Logika Imam Cholissodin, S.Si., M.Kom.

2 Pokok Bahasan Membahas soal UTS AI Agen Logika
Agen Berbasis Pengetahuan Logika Proposisi Metode Pembuktian Latihan Individu + Tugas Kelompok

3 Agen Logika Agen logika merupakan agen yang memiliki kemampuan bernalar secara logika. Ketika beberapa solusi tidak secara eksplisit diketahui, maka diperlukan suatu agen berbasis logika. Logika sebagai Bahasa Representasi Pengetahuan memiliki kemampuan untuk merepresentasikan fakta sedemikian sehingga dapat menarik kesimpulan (fakta baru, jawaban). Sedangkan pengetahuan merupakan komponen yang penting, sehingga terdapat perbedaan jika diterapkan pada dua agent, yakni problem solving agent dan knowledge-based agent.

4 Agen Logika Perbedaan dua agent, problem solving agent dan knowledge-based agent. Problem solving agent : memilih solusi di antara kemungkinan yang ada. Apa yang ia “ketahui” tentang dunia, pengetahuannya tidak berkembang untuk mencapai problem solution (initial state, successor function, goal test) Knowledge-based agent : lebih “pintar”. Ia “mengetahui” hal-hal tentang dunia dan dapat melakukan reasoning (berpikir, bernalar) mengenai : Hal-hal yang tidak diketahui sebelumnya (imprefect/ partial information). Tindakan yang paling baik untuk diambil (best action).

5 Agen Berbasis Pengetahuan
Knowledge Base (KB) menyatakan apa yang “diketahui” oleh si agent. Pendekatan deklaratif membangun agent: “beritahu” informasi yang relevan, simpan dalam KB  (TELL). Agen dapat ditanya (atau bertanya diri sendiri) apa yang sebaiknya dilakukan berdasarkan KB  (ASK). Maka sebuah agen berbasis pengetahuan harus bisa : Mereprentasikan world, state, action, dst. Menerima informasi baru (dan meng-update representasinya). Menyimpulkan pengetahuan lain yang tidak eksplisit (hidden property). Menyimpulkan action apa yang perlu diambil.

6 Agen Berbasis Pengetahuan
Knowledge Base (KB) merupakan : Himpunan representasi fakta yang diketahui tentang lingkungannya. Tiap fakta disebut sebagai sentence. Fakta tersebut dinyatakan dalam bahasa formal sehingga bisa diolah. TELL: menambahkan sentence baru ke KB. Inference Engine merupakan : Menentukan fakta baru yang dapat diturunkan dari pengetahuan yang sudah ada dalam KB. Menjawab pertanyaan (ASK) berdasarkan KB yang sudah ada.

7 Agen Berbasis Pengetahuan
Dalam representasi, agent dapat dipandang dari knowledge level : Apa saja informasi yang diketahui? Misal : sebuah robot “mengetahui” bahwa gedung B di antara gedung A dan gedung C. Agent dapat dipandang dari implementation level : Bagaimana representasi informasi yang diketahuinya? Logical sentence : di_antara(gdB, gdA, gdC). Natural language : “Gedung B ada di antara gedung A dan gedung C”. Tabel posisi koordinat gedung-gedung. Gambar diagram peta (dalam bitmap atau vektor).

8 Agen Berbasis Pengetahuan
Pilihan representasi berpengaruh terhadap apa yang bisa dilakukan inference engine. Pada pendekatan deklaratif programmer memberitahu (TELL) agent informasi tentang environment. Kalau informasi kurang, agen bisa melengkapinya sendiri. Jika dibandingkan dengan pendekatan prosedural : programmer secara eksplisit memrogram agen untuk bertindak. Sehingga bagaimana jika program tidak benar, maka akan besar kemungkinan menyebabkan kesalahan.

9 Agen Berbasis Pengetahuan
Permasalahannya adalah bagaimana representasi yang tepat, sehingga ada dua hal yang harus diperhatikan : Expressive : bisa menyatakan fakta tentang environment. Tractable : bisa mengolah/ memproses inference engine (dengan cepat). Knowledge merupakan power atau kekuatan dari pemrograman secara deklaratif. Representasi dan penalaran membentuk suatu Intelligence.

10 Agen Berbasis Pengetahuan
Contoh Aturan Permainan dalam Wumpus World : Performance measure : emas +1000, mati -1000, gerak -1, panah -10. Environment : Matriks 4x4 ruang dengan initial state [1,1]. Ada gold, wumpus, dan pit yang lokasinya dipilih secara acak. Percept terdiri dari: Breeze : kamar di samping lubang jebakan ada hembusan angin. Glitter : kamar di mana ada emas ada kilauan/ sinar. Smell : kamar di samping Wumpus berbau busuk. Action : maju, belok kiri 900,belok kanan 900, tembak panah (hanya 1!), ambil benda.

11 Agen Berbasis Pengetahuan
Contoh Aturan Permainan dalam Wumpus World: Sifat dari Wumpus World: Fully observable? Tidak, hanya bisa berpresepsi lokal. Deterministic? Ya, hasil tindakan jelas dan pasti. Episodic? Tidak, tergantung action sequence. Static? Ya, gold, wumpus, pit tidak bergerak. Discrete? Ya Single agent? Ya

12 Agen Berbasis Pengetahuan
Contoh Aturan Permainan dalam Wumpus World:

13 Agen Berbasis Pengetahuan
Contoh Aturan Permainan dalam Wumpus World:

14 Agen Berbasis Pengetahuan
Contoh Aturan Permainan dalam Wumpus World:

15 Agen Berbasis Pengetahuan
Contoh Aturan Permainan dalam Wumpus World:

16 Agen Berbasis Pengetahuan
Contoh Aturan Permainan dalam Wumpus World:

17 Agen Berbasis Pengetahuan
Contoh Aturan Permainan dalam Wumpus World:

18 Agen Berbasis Pengetahuan
Contoh Aturan Permainan dalam Wumpus World:

19 Agen Berbasis Pengetahuan
Contoh Aturan Permainan dalam Wumpus World (Finish):

20 Agen Berbasis Pengetahuan
Contoh Aturan Permainan dalam Wumpus World:

21 Agen Berbasis Pengetahuan
Wumpus World (Kondisi Khusus):

22 Agen Berbasis Pengetahuan
Contoh Aturan Permainan dalam Wumpus World (Other) :

23 Agen Berbasis Pengetahuan
Contoh Aturan Permainan dalam Wumpus World (Other) :

24 Agen Berbasis Pengetahuan
Bahasa Representasi Pengetahuan (Knowledge Representation Language) : Menyatakan suatu bahasa yang digunakan untuk menyatakan fakta tentang “dunia”. Suatu bahasa representasi pengetahuan didefinisikan dalam dua aspek, yakni: Sintaks dari bahasa merupakan aturan yang mendefinisikan sentence yang sah dalam bahasa. Semantik menyatakan aturan yang mendefinisikan “arti” sebuah sentence, misalkan: kebenaran sentence dalam dunia. Contoh KRL (Knowledge Representation Language) dalam bahasa aritmetika : Secara Sintaks dituliskan: x + 2 ≥ y adalah kalimat sah. x2 + y ≥ bukan kalimat sah.

25 Agen Berbasis Pengetahuan
Contoh KRL (Knowledge Representation Language) dalam bahasa aritmetika : Secara semantik: x + 2 ≥ y benar jika dan hanya jika bilangan x + 2 tidak lebih kecil dari bilangan y: x + 2 ≥ y benar dalam “dunia” di mana x=7, y=1 x + 2 ≥ y benar dalam “dunia” di mana x=0, y=6 Contoh KRL dalam bahasa Indonesia : Secara Sintaks dituliskan: “Jakarta adalah ibu kota Indonesia” adalah kalimat sah. “Ibu Indonesia kota Jakarta adalah” bukan kalimat sah. Maka secara Semantik: “X adalah ibukota Y” benar jika dan hanya jika X adalah pusat pemerintahan negara Y. “Jakarta adalah ibukota Indonesia” benar dalam “dunia” kita sekarang. “Jakarta adalah ibukota Indonesia” salah dalam “dunia” tahun 1948 (Yogya? Bukitinggi?)

26 Agen Berbasis Logika Logika sebagai Bahasa Representasi Pengetahuan memiliki pengertian: Logika sebagai bahasa formal untuk merepresentasikan fakta sedemikian sehingga kesimpulan (fakta baru, jawaban) dapat ditarik. Ada banyak metode inference yang diketahui. Sehingga kita bisa membangun agent Wumpus World dengan logika : memanfaatkan perkembangan logika dari ahli matematika. Entailment dapat diartikan sebagai suatu fakta bisa disimpulkan dari (kumpulan) fakta lain. KB |= α berarti KB melakukan entailment sentence α jika dan hanya jika α true dalam “dunia” di mana KB true. Contoh : KB mengandung dua sentence, yakni “ Anto Genius” dan “Ani Cantik”. KB |= α1: “Anto Genius dan Ani Cantik” (artinya: hasil entailment bisa berupa kalimat gabungan dari dua kalimat) KB |≠ α2 : “Anto Tampan” x + y = 4 =| 4= x+y

27 Agen Berbasis Logika Inferensi atau reasoning merupakan pembentukan fakta (sentence) baru yang meng-entail fakta-fakta lama. Reasoning bukan dilakukan pada fakta di dunia (berdasarkan semantik), melainkan representasi fakta dalam bahasa representasi pengetahuan si agent (secara sintaks). Otak manusia melakukan proses reasoning dalam suatu bentuk sintak dapat diilustrasikan sebagaimana gambar berikut : Model merupakan suatu “dunia” di mana kebenaran suatu sentence bisa diuji.

28 Agen Berbasis Logika Otak manusia melakukan proses reasoning dalam suatu bentuk sintak dapat diilustrasikan sebagaimana gambar berikut: Model merupakan suatu “dunia” di mana kebenaran suatu sentence bisa diuji. m adalah model α jika dan hanya jika true di “dalam” m. M(α) adalah himpunan semua model dari α. KB |= α jika dan hanya jika M(KB) subset dari M(α), sehingga bisa dilihat pada ilustrasi gambar berikut: Misalkan : KB= Anto Genius dan Ani Cantik α = Anto Genius Hal ini bisa diartikan bahwasanya sentence Anto Genius lebih luas konotasinya dibandingkan dengan sentence Anto Genius dan Ani Cantik.

29 Agen Berbasis Logika Entailment dalam Wumpus World bisa diilustrasikan sebagaimana berikut, dengan melihat [1,1] OK, [2,1] Breeze : Maka model jebakan ada 3 pilihan boolean di [2,1],[2,2],[3,1], dengan 8 kemungkinan model.

30 Agen Berbasis Logika KB = pengamatan (percept) + aturan main Wumpus World, maka kita menyatakan apakah kamar [1,2] aman dengan cara melakukan entailment yang mana dibuktikan dengan menggunakan model checking, yakni memeriksa semua kemungkinan M(KB), M(α1). Sehingga dari ilustrasi diatas menunjukkan bahwasannya : M(KB) subset dari M(α1), sehingga bisa disimpulkan bahwa kamar [1,2] aman.

31 Agen Berbasis Logika Lain halnya ketika melakukan pengamatan apakah kamar [2,2] aman, dengan ditunjukkan oleh α2., terlihat sebagaimana ilustrasi berikut : Dari gambar tersebut menunjukkan bahwasannya M(KB) bukan subset dari M(α2), sehingga bisa disimpulkan bahwa KB |≠ α2, dengan kata lain kamar [2,2] tidak aman.

32 Agen Berbasis Logika Inferensi merupakan proses atau algoritma yang “menurunkan” fakta baru dari fakta-fakta lama. KB|-i α: sentence α bisa diturunkan dari KB oleh prosedur i. Soundness: i dikatakan sah (sound) jika untuk semua KB|-i α, KB |= α benar. Completeness: i dikatakan lengkap (complete) jika untuk semua KB |= α, KB|-i α benar.

33 Logika Proposisi Logika Proposisi
Merupakan logika yang paling sederhana. Sebuah sentence dinyatakan sebagai simbol proposional P1, P2, dst. Sintaks dari logika proposisi Jika S adalah kalimat, ⌐S adalah kalimat (negasi) Jika S1 dan S2 adalah kalimat, S1 Ʌ S2 adalah kalimat (conjunction) Jika S1 dan S2 adalah kalimat, S1 V S2 adalah kalimat (disjunction) Jika Jika S1 dan S2 adalah kalimat, S1 → S2 adalah kalimat (implication) Jika S1 dan S2 adalah kalimat, S1 ↔ S2 adalah kalimat (biconditional)

34 Logika Proposisi Logika Proposisi Semantik dari logika proposisi
Sebuah model memberi nilai true/ false terhadap setiap proposisi, misal P1,2 = true, P2,2 = true, P3.1 = false. Sebuah proses rekursif bisa mengevaluasi kalimat sembarang: ⌐P1,2 Ʌ (P2,2 V P3,1) = true Ʌ (false V true) = true Ʌ true = true.

35 Logika Proposisi Logika Proposisi Semantik dari logika proposisi dgd
Maka kalimat yang digunakan untuk merepresentasikan Wumpus World Secara semantik : Pi,j = true menyatakan kalau ada lubang jebakan (pit) di [i, j]. Bi,j = true menyatakan kalau ada hembusan angin (breeze). Aturan main dalam Wumpus World : kamar di samping lubang jebakan ada hembusan angin: B1,1↔ (P1,2 V P2,1) B2,1↔ (P1,2 V P2,2 V P3,1) Hasil pengamatan (percept): ⌐P1,1 ⌐ B1,1 B2,1 dgd Menyatakan KB untuk dibuktikan misalnya dengan tabel kebenaran. Menyatakan kamar i,j tersebut (αi) aman atau tidak.

36 Logika Proposisi Logika Proposisi Dasar Manipulasi Rules
¬(¬A) = A Double negation ¬(A ^ B) = (¬A) V (¬B) Negated “and” ¬(A V B) = (¬A) ^ (¬B) Negated “or” A ^ (B V C) = (A ^ B) V (A ^ C) Distributivity of ^ on V A => B = (¬A) V B by definition ¬(A => B) = A ^ (¬B) using negated or A  B = (A => B) ^ (B => A) by definition ¬(A  B) = (A ^ (¬B))V(B ^ (¬A)) using negated and & or …

37 Logika Proposisi Logika Proposisi Contoh :

38 Logika Proposisi Logika Proposisi Solusi :

39 Logika Proposisi Logika Proposisi
Inferensi bisa dilakukan menggunakan tabel kebenaran untuk membuktikan entailment dari suatu knowledge. Sehingga kita dapat membuktikan apakah KB |= α1 menggunakan tabel kebenaran (sejenis model checking), di mana α1 menyatakan kamar di [1, 2] aman sebagaimana tabel di bawah ini.

40 Metode pembuktian Metode Pembuktian
Secara umum, ada dua jenis metode pembuktian : Pengaplikasian inference rule Dihasilkan kalimat baru yang sah (sound) dari yang lama. Bukti (proof) merupakan serangkaian pengaplikasian inference rule (operator ) dari algoritma search. Biasanya, kalimat harus diterjemahkan ke dalam sebuah normal form. Model checking Penjabaran truth table (eksponensial dalam n) Backtracking lebih efisien, misalkan: algoritma DPLL Heuristic search dalam model space (sound tetapi incomplete), misalkan : min-conflicts hill –climbing Horn Form Dalam Horn form, KB merupakan conjuction dari Horn Clauses. Horn Clause terdiri : Proposition symbol (Conjuction of symbol)  symbol Davis–Putnam–Logemann–Loveland (DPLL)

41 Metode pembuktian Metode Pembuktian Horn form Misalkan:
Modus ponen pada Horn form (lengkap pada Horn KB): Horn form bisa digunakan dengan algoritma forward chaining atau backward chaining forward chaining adalah aplikasi rule yang premise-nya diketahui benar dalam KB, kemudian tambahkan conclusionnya ke dalam KB, ulangi sampai query (Q) terbukti. Sehingga bisa dikatakan kinerja dari forward chaining merupakan metode bottom up dari fakta menuju konklusi.

42 Metode pembuktian Metode Pembuktian
forward chaining adalah aplikasi rule yang premise-nya diketahui benar dalam KB, kemudian tambahkan conclusionnya ke dalam KB, ulangi sampai query (Q) terbukti. Sehingga bisa dikatakan kinerja dari forward chaining merupakan metode bottom up dari fakta menuju konklusi. Misal diilustrasikan sebagai berikut :

43 Metode pembuktian Metode Pembuktian
Sedangkan konsep dasar dari algoritma backward chaining digunakan untuk membuktikan query (Q), dengan cara memeriksa Q jika sudah diketahui, atau secara rekursif, dengan membuktikan semua premise rule yang conclusion-nya Q (dikenal sebagai metode top down). Dalam backward chaining ada beberapa hal yang perlu diketahui : Menghindari loop : dengan cara memeriksa apakah sub-goal yang baru sudah ada di goal stack. Menghindari perulangan pekerjaan : periksa apakah sub-goal yang baru sudah dibuktikan benar atau sudah dibuktikan salah.

44 Kesimpulan Kesimpulan :
Agen berbasis pengetahuan menggunakan inferensi dan knowledge base untuk menghasilkan informasi baru atau untuk mengambil keputusan. Konsep-konsep dasar logika sebagai knowledge representation language meliputi : Sintak : struktur kalimat bahasa formal Semantik : arti kalimat sebagai kebenaran terhadao model Entailment : menyimpulkan kalimat baru yang benar Inferensi : proses menurunkan kalimat baru dari kalimat-kalimat lama Soundness : proses menurunkan hanya kalimat yang di-entail Completeness : pross menurunkan SEMUA kalimat yang di-entail Forward, backward chaining merupakan proses inferensi complete dan linear untuk Horn form.

45 Latihan Individu Membahas Soal UTS AI!

46 Tugas Kelompok Jelaskan konsep dasar dari agen berbasis pengetahuan dan hal-hal apa saja yang harus dipenuhi ketika membuat agen tersebut! Diketahui KB = ( B1,1  (P2,1  P3,1))  B1,1 dan α =  P2,1  P3,1. Buktikan dengan tabel kebenaran berikut, apa saja kondisi yang memenuhi KB|=α ! B1,1 P2,1 P3,1 P2,1  P3,1  B1,1  (P2,1  P3,1) KB α F T

47 Selesai