#4 representasi pengetahuan...2 agen memerlukan pengetahuan (knowledge) untuk mendapatkan keputusan...
TRANSCRIPT
1
Lopxmfehf!Fohjoffsjoh!
1
Pengetahuan (Knowledge)
Kunci utama dari Expert System (sistempakar)
Analogi
Algoritma + Struktur Data = Program
Pengetahuan + Inferensi = Sistem Pakar
2
2
Agen memerlukan pengetahuan (knowledge) untukmendapatkan keputusan terbaik dalam usahamencapai tujuan.
Knowledge : representasi dari fakta, prosedur, aturandan lain-lain, yang berasal dari lingkungan Agen.
Knowledge berada pada agen berbentuk sentences menggunakan bahasa knowledge representation language dan tersimpan dalam knowledge base.
Harus ada cara untuk menambah/mengisi KB (TELL) dan harus ada cara untuk melakukan query/seleksiaksi yang harus dikerjakan (ASK).
Agen dapat melakukan penalaran (inference) untukmenyimpulkan fakta baru berdasarkan fakta yang diberikan.
Knowledge Base
Inference engine
Domain independent algorithms
Domain specific content
TELL
ASK
Knowledge-Based Agents
3
Level Pengetahuan :- Shallow Knowledge ; Representasi pengetahuan secara dangkal/permukaan.
Misalnya, Jika tangki bahan bakar kosong maka mobil tidak bisa di hidupkan representasi menggunakan If-Then rule (input-output relation)
- Deep Knowledge ; Representasi pengetahuan secara mendalam, kompleks,dan menggunakan struktur sebab akibat. representasi menggunakan jaringan semantik dan frame. contoh :
Car Gas Tank GasolineHas a Stores
Flow via pipe
Carburetor
Air
Flows
FilterHas a
Gas PumpPump
Gas to a
Connected to
Starter
Brushes
Starts
Has
Knowledge-Based Agents
4
3
Knowledge Engineering
Knowledge Engineering : Proses mengintegrasikan pengetahuan ke dalam sistem komputer untuk
memecahkan suatu permasalahan yang rumit, dimana secara normal memerlukan keahlian manusia tingkat tinggi. Orang yang melakukan prosesini disebut Knowledge Engineer.
Knowledge Engineering Vs Programming :
Knowledge Engineering Programming
Choosing a logic Choosing programming language
Building knowledge base Writing program
Implementing proof theory Choosing/writing compiler
Inferring new facts Running program
Skill for Knowledge Engineer :
computer skills (h/, s/, programming), toleran, mampu berkomunikasi secara efektif, berpendidikan cukup, cerdas, mampu berpikir berdasar logika, percaya diri, dll
5
Knowledge Engineering Process : Knowledge Acquisition Knowledge Representation Knowledge Validation Inference Explanation and Justification
Source ofKnowledge
KnowledgeRepresentation
KnowledgeBase
KnowledgeValidation
Inferencing
Explanation,Justification
Encoding
KnowledgeAcquisition
Knowledge Engineering
6
4
Knowledge Engineering Process : Knowledge Acquisition
Proses pengumpulan (ekstraksi dan formulasi) pengetahuandari : pakar, buku, dokumen, sensor, file komputer dll.
Knowledge RepresentationProses untuk mengorganisir pengetahuan yang terkumpul, termasuk didalamnyaproses knowledge map dan encoding pada knowledge base.
Knowledge ValidationProses validasi dan verifikasi pengetahuan yang terdapat dalam knowledge base
InferenceProses desain software agar komputer dapat melakukan penarikankesimpulan berdasarkan knowledge base.
Explanation and JustificationProses desain software dan programming agar komputer mempunyaikemampuan eksplanasi (menjelaskan) atau menjawab pertanyaan. Misalnya, komputer dapat menjelaskan pertanyaan seperti : why ? how ?
Knowledge Engineering
7
Sumber Pengetahuan :- Pengetahuan dapat diperoleh dari berbagai sumber
Misal dari buku, film, file database, gambar, peta, cerita, observasi, pakar, pengalaman, lagu, diagram alir, dan sebagainya.
- Sumber pengetahuan dapat dibedakan menjadi 2 (dua) :terdokumentasi dan tidak terdokumentasi.
- Pengetahuan dapat diidentifikasi dan dikumpulkan oleh manusia atau mesin.
Sources of Knowledge
8
5
Identify problem
characteristics
Find concepts torepresents knowledge
Design structure to organize knowledge
Formulate rules to embody knowledge
Validate rules that organize
knowledge
rules
structure
concepts
requirements
Identification
Conceptualitation
Formalization
Implementation
Testing
• Knowledge Acquisition (KA)Proses ekstraksi dan formulasi pengetahuan yang diperoleh dari berbagai sumber(khususnya pakar)
• Kesulitan dalam KA- Mengekspresikan pengetahuan- Transfer ke mesin (komputer)- Banyaknya partisipan : pakar,
Knowledge Engineer, System Designer, User
- Struktur Pengetahuan- dll
• Tahapan Kegiatan dalam KA
Stages of Knowledge Acquisition
9
Tahapan Proses Akuisisi Pengetahuan :• Identification ; tahap identifikasi problem dan karakteristiknya.
Knowledge engineer mempelajari situasi untuk tujuan desain aplikasi AI.• Conceptualization ; tahap menentukan pengetahuan yang relevan.
Informasi mana yang akan digunakan dan bagaimana cara merepresentasikan dalam knowledge base ? Apakah rule sudah cukup baik direpresentasikan ?
• Formulation ; Knowledge di representasikan dalam knowledge base, sehinggaperlu di formulasikan sesuai metode akuisisinya. Misal untuk sistem berbasisaturan, knowledge diformulasikan mengikuti format aturan (misal If..Then rule)
• Implementation ; tahapan ini terkait dengan tahapan programming dimanapengetahuan dapat diakses oleh komputer untuk pengambilan keputusan.
• Testing ; knowledge engineer menguji sistem menggunakan contoh-2 khusus.
Knowledge Acquisition
10
6
Methods of Knowledge Acquisition
Manual - Interview : terstruktur, tidak terstruktur- Tracking methods
Semiautomatic- support the expert - support the knowledge engineer
Automatic- rule induction- machine learning
11
Knowledge Representation
Knowledge Representation : Cara merepresentasikan pengetahuan (fakta dan rule)
Knowledge Representation dapat menggunakan :• Logic (Logika)• Semantic Network (Jaringan Semantik)• Scripts (Naskah)• Tables (Tabel)• Tree (Pohon)• Production Rule (Aturan Produksi)• Frame (Kerangka)
12
7
• Logika (Logic)Logika : bentuk representasi yang paling tua proses membentuk kesimpulan atau menarik suatu inferensi berdasarkan
fakta yang sudah ada
2 bentuk dasar logika : 1. Logika Proposisi2. Logika Predikat
Proses
Logika
InputFaktaatau
Premis
OutputKonklusi
atauInferensi
Knowledge Representation: Logic
13
Knowledge Representation: Logic
• Logika Proposisi Logika Proposisi : Pernyataan logika yang hanya bernilai Benar (True) atau Salah (False) Dua atau lebih proposisi dapat digabungkan dengan menggunakan operator :
NOT (), AND (), OR (), IMPLIKASI (), BIIMPLIKASI () Tabel Kebenaran :
A : Hari ini hujan
A : Hari ini tidak hujan
A : Mobil itu merknya HondaB : Mobil itu warnanya hitamA B : Mobil itu merknya Honda DAN
warnanya hitam
NOTA A
T FF T
ANDA B A B
T T TT F FF T FF F F
(Negasi)
(Konjungsi)14
8
A : Mobil itu merknya HondaB : Mobil itu warnanya hitamA B : Mobil itu merknya Honda ATAU
warnanya hitam
A : Saya sering terlambat makanB : Saya sakit maagA B : JIKA saya terlambat makan MAKA
saya sakit maag
ORA B A B
T T TT F TF T TF F F
IMPLIKASIA B A B
T T TT F FF T TF F T
BIIMPLIKASIA B A B
T T TT F FF T FF F T
A : Saya sakit maagB : Saya terlambat makanA B : Saya sakit maag JIKA DAN HANYA JIKA
saya terlambat makan maka
(Disjungi)
(If..Then)
(If and only if)
Knowledge Representation: Logic
15
• EkwivalensiBerdasarkan tabel kebenaran, pernyataan A ekwivalen disebut dengan pernyataan Bbila mempunyai nilai kebenaran yang sama. • A B B A komutatif konjungsi• A B B A komutatif disjungsi• (A B) C A (B C) asosiatif konjungsi• (A B) C A (B C) asosiatif disjungsi• (A) A dobel negasi• A B B A kontraposisi• A B A B eliminasi implikasi• A B (A B) (B A) eliminasi bikondisional/biiimplikasi• (A B) A B de Morgan• (A B) A B de Morgan• A (B C) (A B) (A C) distribusi konjungsi atas disjungsi• A (B C) (A B) (A C) distribusi disjungsi atas konjungsi
• Validitas Suatu pernyataan disebut valid jika bernilai benar untuk semua model/sentence.Disebut juga Tautologi. Contoh : A A
16
9
• Inferensi pada logika proposisi dapat dilakukan dengan resolusi.• Resulosi : aturan inferensi dengan menggunakan bentuk CNF (Conjunctive Normal
Form) dengan ciri-ciri :- Setiap kalimat merupakan disjungsi literal- Semua kalimat terkonjungsi secara implisitKalimat yang ditulis dengan menggunakan logika proposisi dapat dikonversi ke bentuk CNF. Hilangkan implikasi dan biimplikasi
o x y menjadi x yo x y menjadi (x y) (y x)
Kurangi kalang negasi menjadi bentuk negasi tunggalo ( x) menjadi x o (x y) menjadi (x y) o (x y) menjadi (x y)
Gunakan aturan asosiatif dan distributif untuk konversi menjadi conjuction of disjunctiono Asosiatif : (x y) z = x (y z) o Distributif: (x y) z = (x z) (y z)
Buat satu kalimat terpisah untuk tiap-tiap konjungsi.• Resulosi digunakan juga untuk membuktikan suatu kebenaran proposisi (uji validitas).
Knowledge Representation: Logic
17
Prosedur untuk membuktikan proposisi P dengan beberapa aksioma F yang sudahdiketahui :1. Konversi semua proposisi F ke bentuk CNF2. Negasikan P dan konversikan hasil negasi ke bentuk klausa (bentuk standar).
Tambahkan ke himpunan klausa yang telah ada pada langkah 13. Kerjakan hingga terjadi kontradiksi atau proses tidak mengalami kemajuan
a. Seleksi 2 klausa sebagai klausa parentb. Bandingkan (resolve) secara bersama-sama.
Klausa hasil resolve disebut resolvent.Jika ada pasangan literal L dan L, eliminir dari resolvent.
c. Jika resolvent berupa klausa kosong, temukan kontradiksi.Jika tidak, tambahkan ke himpunan klausa yang telah ada.
Knowledge Representation: Logic
18
10
Diketahui basis pengetahuan (fakta-2 bernilai benar) sebagai berikut :1. P2. (PQ) R3. (ST) Q4. TBuktikan kebenaran dari R.
Konversi ke CNF1. P menjadi P2. (PQ) R menjadi P Q R3. (ST) Q menjadi (S Q) dan
(T Q) 4. T menjadi TTambahkan kontradiksi R, yaitu R. Sehingga fakta-2 nya menjadi :1. P2. PQ R3. S Q 4. T Q 5. T 6. R
P Q R R
P Q P
QT Q
T T
2 6
1
4
5
Knowledge Representation: Logic
19
20
Contoh Resolusi
11
21
Contoh Resolusi
• Logika Predikat (Predikat Kalkulus) Logika proposisi mempunyai keterbatasan :
- Hanya bernilai T atau F (faktanya tidak selalu demikian)- Menggunakan struktur pernyataan secara lengkap (tidak efisien) It is not very useful in AI
Logika Predikat : pernyataan logika dinyatakan sebagai fungsi atas variabel (simbolik)atau dalam bentuk predikat dan argumen
Operator yang digunakan : NOT (), AND (), OR (), IMPLIKASI (), EKUIVALENSI (), KUANTOR : UNIVERSAL (, dibaca ‘Untuk Setiap’), EKSISTENSIAL (, dibaca ‘Terdapat’)
Contoh :Logika Proposisi :Ayam suatu saat akan mati : PGajah suatu saat akan mati : QMacan suatu saat akan mati : R Ikan suatu saat akan mati : S
Logika Predikat :mati(x)x = hewan(ayam, gajah, macan, ikan)
Knowledge Representation: Logic
22
12
• Logika Predikat (Predikat Kalkulus)
1. Andi adalah seorang mahasiswa 1. mahasiswa(Andi)2. Andi masuk jurusan elektro 2. elektro(Andi)3. Setiap mahasiswa elektro pasti mahasiswa 3. x:elektro(x) teknik(x)
fakultas teknik4. Kalkulus adalah mata kuliah yang sulit 4. sulit(kalkulus)5. Setiap mahasiswa fakultas teknik pasti akan 5. x:teknik(x) suka(x,kalkulus)
suka kalkulus atau akan membencinya benci(x,kalkulus)
6. Setiap mahasiswa pasti akan suka terhadap 6. x: y : suka(x,y)suatu mata kuliah
7. Mahasiswa yang tidak pernah hadir pada 7. x:y: mahasiswa(x) sulit(y) mata kuliah sulit maka mereka pasti tidak suka hadir(x,y) suka(x,y)dengan mata kuliah tersebut
8. Andi tidak pernah hadir kuliah matakuliah kalkulus 8. hadir(Andi, kalkulus)Misal ditanyakan : “Apakah Andi suka Kalkulus ?”
Note : “Untuk setiap” ; : “Terdapat”
Knowledge Representation: Logic
23
1. mahasiswa(Andi)2. elektro(Andi)3. x:elektro(x) teknik(x) 4. sulit(kalkulus)5. x:teknik(x) suka(x,kalkulus) benci(x,kalkulus)6. x: y : suka(x,y)7. x:y: mahasiswa(x) sulit(y) hadir(x,y) suka(x,y)8. hadir(Andi,kalkulus)Misal ditanyakan : suka(Andi,kalkulus) ?
hadir(Andi,kalkulus)
sulit(kalkulus) hadir(Andi,kalkulus)
mahasiswa(Andi) sulit(kalkulus) hadir(Andi,kalkulus)
mahasiswa(Andi) suka (Andi, Kalkulus) sulit(kalkulus) hadir(Andi,kalkulus)
8
8
8
8
4
4
4
1
1 724
13
• Jaringan Semantik merupakan gambaran pengetahuan secara grafis yang menunjukkan hubungan antar berbagai obyek.
• Obyek (benda, peristiwa) dinyatakan dengan node, sedangkan hubungannya dinyatakandengan arc (busur)
• Kelebihan : dapat memperlihatkan sifat bawaan (inheritence, mewariskan), sehinggamemungkinkan untuk melakukan deduksi berdasarkan informasi yang diketahui
Knowledge Representation: Semantic Network
25
• Kelebihan- Fleksibel untuk penambahan node dan hubungan baru- Presentasi mudah dimengerti- Efisien, karena adanya sifat inheritence pada node- Mirip dengan gaya penyimpanan dalam pikiran manusia- Dimungkinkan melakukan deduksi untuk node yang tidak terhubung
berdasaran sifat inheritence dari node lain• Kekurangan
- Tidak ada standar baku dalam mendefinisikan node dan hubungan- Sifat heritence bisa jadi malah memberikan persepsi yang menyulitkan- Pengetahuan prosedural sulit dilakukan dengan jaringan semantik
karena urutan dan waktu peristiwa tidak secara eksplisit bisa diwakilkan- Persepsi situasi yang berasal dari pakar terkadang ditempatkan pada titik
yang tidak tepat
Knowledge Representation: Semantic Network
26
14
• Scripts merupakan representasi pengetahuandalam bentuk skrip (naskah).
• Elemen-elemen skrip :- Kondisi Input ; kondisi awal yang harus dipenuhi- Track ; jalur yang mungkin terjadi dalam skrip- Prop ; obyek-2 pendukung yang digunakan- Role ; peran utama dalam skrip- Scene ; adegan yang dimainkan (bag. dari role)- Hasil ; kondisi setelah skrip selesai
Skrip Ujian Tertulis Mata Kuliah
Track : Ujian MK Kecerdasan BuatanRole : Mahasiswa (M), Pengawas (P)Prop : Lembar soal, lembar jawab,
daftar hadir, alat tulis dllInput : Mahasiswa sudah terdaftar sbg
peserta ujian (bebas adm)Scene 1 : Persiapan Pengawas
- Menyiapkan lembar soal- Menyiapkan lembar jawab- Menyiapkan daftar hadir
Scene 2 : Mahasiswa Masuk Ruangan- Pengawas mempersilahkan
mahasiswa memasuki ruangan- Pengawas membagi lembar soal- Pengawas membagi lembar jawab- Pengawas memimpin doa
Secane 3 : …………………………Hasil : - Mahasiswa puas
- Mahasiswa kecewa- Mahasiswa bersyukur- Mahasiswa pusing dll
Knowledge Representation: Scripts
27
• Decision Tables (Tabel Keputusan)- Pengetahuan direpresentasikan dalam bentuk tabel baris dan kolom- Pertama, susun daftar atribut (pada kolom)- Kedua, susun konklusi/kesimpulan (pada baris)- Ketiga, beri nilai/tanda pada pasangan (atribut, konklusi) yang cocok
Buah apa yang bentuknya bulat, baunya asam, warnanya oranye, Rasannya manis dan kulitnya kasar ? jeruk
Knowledge Representation: Tables
bujur bujur bujur bujur
28
15
• Decision Tree (Pohon Keputusan)- pengetahuan direpresentasikan dalam bentuk pohon
Bau ?
masam
Tidak masam
Buahnyamasam
BuahnyaTidak masam
Bentuk ?
Bulat ?
Oval ?
Warna ?
Oranye ?
Hijau ?
Merah ?
Jeruk
Anggur Hijau
Anggur
Mungkin limau, jeruk limun dllDiperlukan informasi lain
Jika baunya masam, bentuknya bulat,Warnanya oranye maka buah tsb JERUK
Knowledge Representation: Tree
29
• Production Rules (Aturan Produksi)- disebut juga Production System (Sistem Produksi)- Terdiri atas :
.:: Ruang Keadaan ; berisi keadaan awal, tujuan dan kumpulan aturan
.:: Strategi Kontrol ; untuk proses pencarian dan mengendalikan eksplorasi
KeadaanAwal
Aturan Tujuan
StrategiKontrol
- Representasi sistem produksi pada dasarnya berupa aplikasi aturan (rule)yang tersusun atas :1. Anteseden ; mengekspresikan situasi/fakta atau premis2. Konsekuen ; mengekspresikan tindakan atau konklusi bila anteseden benarBentuk : If <premis> then <konklusi>
Knowledge Representation: Production Rules
30
16
Variasi dan Contoh Bentuk IF..THEN• IF <premis> THEN <konklusi>
IF tenggorokan saya meradangTHEN saya tidak merokok
• <konklusi> IF <premis>Saya tidak merokokIF tenggorokan saya meradang
• IF<premis> THEN <konklusi1> ELSE <konklusi2>IF tenggorokan saya meradangTHEN saya tidak merokokELSE saya tetap merokok
Premis dapat berisikan gabungan dari beberapa premis yang dihubungkandengan operator logika (NOT, OR, AND, dll)
Knowledge Representation: Production Rules
31
• Frame (Kerangka)- struktur data yang memuat
pengetahuan atas suatu obyek- setiap frame mendeskripsikan
satu obyek- merupakan dasar aplikasi AI
dan Expert System berbasisobyek (OOP)
- Contoh : Frame automobil
Automobile FrameClass of : TransportationName of manufacturer : AudiOrigin of manufacturer : GermanyModel : 5000 TurboType of car : SedanWeight : 3300 lbWheelbase : 105.8 inchesNumber of doors : 4Transmission : 3-speed automaticNumber of wheels : 4Engine :
- Type : In-line, overhead cam- Number of cylinders : 5
Acceleration : - 0-60 : 10.4 seconds- Quarter mile : 17.1 seconds, 85 mph
Gas mileage : 22 mpg average
Engine FrameCylinder bore : 3.19 inchesCylinder strtoke : 3.4 inchesCompression ratio : 7.8 to 1Fuel system : Injection with turbochargerHorsepower : 140 hpTorque : 160 ft/LB
Knowledge Representation: Frame
32
17
Hirarki FrameFrame suatu obyek (parent frame)dapat terdiri beberapa kumpulanframe (child frame), dan dinyatakansecara hirarki.
VehicleFrame
TrainFrame
BoatFrame
CarFrame
AirplaneFrame
SubmarineFrame
TruckFrame
PassengerCar Frame
BusFrame
CompactCar Frame
MidsizeCar Frame
Bob’sCar
Jan’sCar
Knowledge Representation: Frame
33
Name : Compact Car
Slots Facets
Owner Check registration listColor List, per manufacturerNo. of cylinders
Range 4 or 6If needed Ask owner
MakeRange List of all manufacturerIf needed Ask owner
Model Use frame corresponding to make
Vintage (year)Range 1950-1992If needed Ask owner
VehicleFrame
TrainFrame
BoatFrame
CarFrame
AirplaneFrame
SubmarineFrame
TruckFrame
PassengerCar Frame
BusFrame
CompactCar Frame
MidsizeCar Frame
Bob’sCar
Jan’sCar
Name : Jan’s CarInstance of : compact car frame
Slots Facets
Owner JanColor BlueNo. of cylinders 6Make HondaModel AccordVintage (year) 1992
Parent frame
Child frame
Knowledge Representation: Frame
34
18
Inference
• Once the knowledge base is completed, it is ready for use.• We need : computer program to access the knowledge for :
- making inferences- making decisions to problem solving
• This program is an algorithm that controls some reasoning process (penalaran)and it is usually referred to as the inference engine or the control program.
• In rule-bsed systems it is also referred to as the rule interpreter.• The most popular control programs are forward and backward chaining
(dijelaskan di slide sistem pakar)• Before we examine the specific inferencing techniques used in AI,
we will discuss about the reasoningKeadaan
AwalAturan Tujuan
StrategiKontrol 35
Kategori Penalaran- Penalaran Deduktif
Penalaran berdasarkan premis umum untuk mendapatkan konklusi khususContoh : Premis Mayor : Jika saya lulus dengan IPK > 3.5 maka saya akan gundulPremis Minor : Saya lulus dengan IPK = 3.65Konklusi : Saya akan gundul
- Penalaran InduksiPenalaran berdasarkan fakta/premis khusus untuk mendapatkan konklusi umumContoh :Premis 1 : Kalkulus adalah pelajaran yang sulitPremis 2 : Geometri adalah pelajaran yang sulitPremis 3 : Statistika adalah pelajaran yang sulitKonklusi : Matematika adalah pelajaran yang sulitPada penalaran induktif, munculnya premis baru dapat menjadikan konklusi gugur.Misal, pada contoh tsb ditambah Premis 4 : Anatomi adalah pelajaran yang sulitmaka konklusi tsb menjadi tidak berlaku. Pada penalaran induktif sangat dimungkinkan terjadinya ‘ketidakpastian (uncertainty)’.
Categories of Reasoning
36
19
- Penalaran AnalogiPenalaran berdasarkan analogi (menarik kesamaan)Contoh : Misal komputer sudah mengetahui bahwa kurikulum di Teknik Informatika S1didesain untuk 8 semester. Misal Toto kuliah di Teknik Informatika S1. Ketika ditanya : “Berapa tahun Toto akan lulus ?”. Jawabnya : Toto akan lulus 4 tahun.
- Penalaran FormalPenalaran menggunakan manipulasi sintaksis struktur data (simbolik).Contoh : inferensi yang menggunakan predikat kalkulus, logika matematika dll.
- Penalaran Numerik ProseduralPenalaran yang menggunakan model matematika atau simulasiContoh :Sistem NASA yang dikembangkan oleh Kennedy Space Center for troubleshooting (diagnosing failure). Sistem berbasis aturan tidak efektif digunakan karenapada sistem sudah terdapat informasi yang berasal dari sensor.
- GeneralisasiPenalaran menggunakan logika dan jaringan semantik.Contoh : Misal semua perusahaan pasti mempunyai pimpinan. Misal semua staff bekerja untuk perusahaan. Maka dapat disimpulkan bahwa staff pastimempunyai pimpinan.
Categories of Reasoning
37
Penalaran Menggunakan Logika
- Modus PonensJika diketahui : A B
A ----------
Konklusi B
- Modus Tollens : A B B ----------
Konklusi A
Jika cuaca cerah maka kita pergi melautCuaca hari ini cerah---------------------------------------------------------Kita pergi melaut
Jika cuaca cerah maka kita pergi melautKita tidak pergi melaut---------------------------------------------------------Cuaca hari ini mendung tebal
Methods of Reasoning: with Logic
38
20
Explanation
• Explanation : proses atau usaha untuk memperjelas (memberi penjelasan)atas suatu informasi/paparan, rekomendasi atau keputusan.
• Terdapat 2 (dua) bentuk :- Eksplanasi Why
Bentuk penjelasan dari adanya pertanyaan Why (Mengapa) ?Contoh : Dialog tentang keputusan investasiComputer : What is your annual income ?Client : Why ? (Why do you need to know ?)Computer : In checking R2, I need to know if your income is above $40,000.
If this is true, I will conclude that because you have a college degree, you should invest in growth stocks.
- Eksplanasi HowBentuk penjelasan dari adanya pertanyaan How (Bagaimana) ?Contoh : Dialog tentang keputusan investasiComputer : Invest in IBM stocks.Client : How ? (How was the conclusion reached ?)Computer : Givens that you have $10,000 to invest and you are younger than thirty,
then according to rule 4 you have a college degree. If this is case, then according to R1you should invest in securities. For a young investor like you, according to R3 ………dst…….
39
Referensi
40
Aris Marjuni, Materi Ajar: Artificial Intelligence, 2005