#4 representasi pengetahuan...2 agen memerlukan pengetahuan (knowledge) untuk mendapatkan keputusan...

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


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 ?


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


• 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)


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).


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.


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


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)


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”


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


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


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

#4 representasi pengetahuan...2 agen memerlukan pengetahuan (knowledge) untuk mendapatkan keputusan...

Documents