Pertemuan Algoritma Genetika

Algoritma Genetik?

• Algoritma genetic adalah suatu metoda pencarian (search) acak yang didasarkan atas prinsip evolusi yang terjadi di alam.

• Dalam proses evolusi, individu secara terusmenerus mengalami perubahan gen untuk menyesuaikan dengan lingkungan hidupnya. Hanya individu yang kuat yang mampu bertahan, sehingga dalam proses evolusi dapat diharapkan diperoleh individu yang terbaik. Proses seleksi alamiah ini melibatkan perubahan gen yang terjadi pada individu melalui proses perkembangbiakan untuk mendapatkan keturunan yang lebih baik.

Genetik?

• Cabang biologi yang mempelajari tentang keturunan dan variasi mahluk hidup
• Informasi genetik manusia tesimpan dalam sel tepatnya di kromosom.
• Dalam sel manusia kromosom bentuknya berpasangan dan terdapat 23 pasang
• Kromosom ini terbentuk dari bagian-bagian yang disebut gen
• Gen inilah yang mengatur properti dan karateristik suatu individu

v eg: Warna mata, jenis rambut

Genetik?

· Gen akan menentukan sifat individu dan keturunan berikutnya

· Kumpulan dari gen yang terdapat dalam sebuah populasi akan menentukan jumlah variasi keturunan yang dimungkinkan

Sejarah

• Landasan teoritis untuk Algoritma genetik ini diajukan oleh John Holland dalam bukunya yang berjudul "Adaption in Natural and Artificial Systems" pada tahun 1975, yang kemudian dikembangkan lebih lanjut oleh muridnya David Goldberg.
• Proses genetika dari organisme-organisme biologi yang berdasar pada teori evolusi Charles Drawin

Dasar Algoritma Genetik -Populasi-

• Populasi adalah kumpulan kromosom (chromosome). Kromosom ini dibentuk dari komponen-komponen penyusun yang disebut sebagai gen dan nilainya dapat berupa bilangan numerik, biner, simbol ataupun karakter tergantung dari permasalahan yang ingin diselesaikan.

Dasar Algoritma Genetik -Populasi-

Dasar Algoritma Genetik -Individu-

• Individu merupakan ku mpulan gen dalam sistem algoritma genetik bisa dikatakan sama dengan kromosom. Gen ini bisa biner, float, dan kombinatorial.
• Individu dalam algoritma genetik dapat juga menyatakan salah satu kemungkinan solusi yang dicari.
• Misalkan dalam travel salesman problem individu dapat menyatakan suatu jalur terpendek yang akan ditempuh.

Dasar Algoritma Genetik -Individu-

Dasar Algoritma Genetik -Nilai Fitness-

• Sebelum algoritma ini dijalankan, masalah apa yang ingin dioptimalkan itu harus dinyatakan dalam fungsi tujuan, yang dikenal dengan fungsi fitness.
• Jika nilai fitness semakin besar, maka sistem yang dihasilkan semakin baik
• Kromosom dengan nilai fitness yang tinggi ini akan memberikan probabilitas yang tinggi untuk bereproduksi pada generasi selanjutnya.
• Sehingga untuk setiap generasi pada proses evolusi, fungsi fitness yang mensimulasikan seleksi alam, akan menekan populasi kearah fitness yang meningkat.

Prinsip Kerja

Prinsip Kerja

• Membangkitkan populasi awal, Populasi awal ini dibangkitkan secara random sehingga didapatkan solusi awal. Populasi itu sendiri terdiri dari sejumlah kromosom yang merepresentasikan solusi yang diinginkan.
• Membentuk generasi baru, Dalam membentuk digunakan tiga operator yang telah disebut di atas yaitu operator reproduksi/seleksi, perkawinan silang dan mutasi. Proses ini dilakukan berulangulang sehingga didapatkan jumlah kromosom yang cukup untuk membentuk generasi baru dimana generasi baru ini merupakan representasi dari solusi baru.

Prinsip Kerja

• Evaluasi solusi, Proses ini akan mengevaluasi setiap populasi dengan menghitung nilai fitness setiap kromosom dan mengevaluasinya sampai terpenuhi kriteria berhenti. Bila kriteria berhenti belum terpenuhi maka akan dibentuk lagi generasi baru dengan mengulangi langkah 2.

v Beberapa kriteria berhenti yang sering digunakan antara lain:

Ø Berhenti setelah dalam beberapa generasi berturut-turut didapatkan nilai ?tness tertinggi tidak berubah.

Ø Berhenti bila dalam n generasi berikut tidak didapatkan nilai fitness yang lebih tinggi.

Beberapa Definisi Penting

• Genotype (Gen), sebuah nilai yang menyatakan satuan dasar yang membentuk suatu arti tertentu dalam satu kesatuan gen yang dinamakan kromosom. Dalam algoritma genetika, gen ini bisa berupa nilai biner, float, integer maupun karakter.
• Allele, nilai dari gen.
• Kromosom, gabungan gen-gen yang membentuk nilai tertentu.
• Individu, menyatakan satu nilai atau keadaan yang menyatakan salah satu solusi yang mungkin dari permasalahan yang diangkat

Beberapa Definisi Penting

• Populasi, merupakan sekumpulan individu yang akan diproses bersama dalam satu siklus proses evolusi.
• Generasi, menyatakan satu-satuan siklus proses evolusi.
• Nilai Fitness, menyatakan seberapa baik nilai dari suatu individu atau solusi yang didapatkan.

Lebih lengkap semua silakan download di bagian "Download Materi"

Pertemuan Logika Fuzzy

Pendahuluan

• Pada suatu hari ada seekor kancil sedang meminum air di pinggir sebuah muara sungai. Tiba-tiba seekor buaya datang menyergap dan siap menyantap sang kancil. Namun sang kancil yang terkenal cerdik, mengatakan kepada sang buaya ”Hai raja buaya yang pintar, aku rela menjadi santapanmu asal kamu bisa menjawab pertanyaanku”
• "Semua kancil dihutan ini adalah pembohong, apakah saya berkata jujur ?"
• Kalau si kancil ini jujur artinya penyataan pertama menjadi salah, karena ada satu kancil yang jujur.
• Tetapi kalau kancil berbohong artinya pernyataan pertama adalah bohong dan semua kancil dihutan ini jujur termasuk sang kancil.

Sejarah

• Aristoteles : Logika Boolean / Biner

v 0 atau 1

v Benar atau Salah

v On atau Off

v Gelap atau Terang

• Tidak ada samar-samar, abu-abu
• Dasar dari teknologi digital saat ini
• Jika menggunakan Logika Biner pertanyaan kancil tidak akan ada habisnya

Logika Fuzzy ?

• Logika fuzzy pertama kali diformulasikan dalam sebuah seminar oleh Lot? A Zadeh dari University of Califonia, Berkeley tahun 1965
• Metode ini diformulasikan dalam rangka mencari nilai tengah antara bilangan Aristoteles 0 dan 1
• Logika fuzzy merupakan peningkatan dari logika boolean
• Menggantikan kebenaran boolean dengan tingkat kebenaran
• Dasar logika fuzzy adalah memformulasikan bilangan antara 0 dan 1 atau lebih tepat 0.0 dan 1.0

Alasan Menggunakan Logika Fuzzy

• Konsep logika fuzzy mudah dimengerti.konsep matematis yang mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti.
• Logika fuzzy sangat flexibel.
• Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat.
• Logika fuzzy dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan.
• Logika fuzzy dapat bekerja sama dengan teknik-teknik kendali secara konvensional

Aplikasi Logika Fuzzy

• Mesin cuci satu tabung

v Masukkan baju, tekan tombol

v Mengisi air dengan jumlah yang cukup

v Mengisi deterjen dan mencuci dengan waktu yang sesuai.

v Mesin ini bekerja meniru cara ibu rumahtangga mencuci dengan mesin cuci konvensional.

v Jika pakaian lebih kotor maka timer dibuat lebih lama.

Aplikasi Logika Fuzzy

• Di sinilah contohnya metode logika fuzzy dipakai, dengan menjawab pernyataan jika dan maka (IF THEN).
• Jika pakaian yang dicuci tidak terlalu kotor maka mencuci mestinya harus lebih cepat.
• Dengan menimbang tingkat kekotoran kain yang direalisasikan dengan mengukur tingkat kekeruhan air cucian dengan sensor cahaya, mesin dapat memutuskan berapa lama harus mencuci pakaian supaya lebih hemat dan efisien.

Aplikasi Logika Fuzzy

• ABS pada sistem pengereman mobil
• Patern recognition untuk mengenal tulisan tangan pada mobile device
• Image Processing
• Aplikasi Robotic
• Traffic light yang modern bisa juga dibuat dengan metode fuzzy logic sehingga dapat bekerja sepintar pak polisi lantas.
• Jika beban kendaraan di satu ruas persimpangan lebih padat, maka lampu hijaunya akan menyala lebih lama

Skema Dasar Logika Fuzzy

Skema Dasar Logika Fuzzy

• Input fuzzy berupa bilangan crisp (tegas) yang dinyatakan dalam himpunan input.
• Fuzzifikasi merupakan proses untuk mengubah bilangan crisp menjadi nilai keanggotaan dalam himpunan fuzzy.
• Fuzzy inference system merupakan bagian pengambilan kesimpulan (reasoning) dan keputusan.
• Knowledge base berisi aturan-aturan yang biasanya dinyatakan dengan perintah! IF THEN
• Defuzzification merupakan proses untuk merubah nilai output fuzzy menjadi nilai crisp.

Himpunan Crisp

• Nilai keanggotaan suatu item x dalam suatu himpunan A, yang sering ditulis dengan uA[x], memiliki 2 kemungkinan yaitu :

v Satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan, atau

v Nol (0), yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan.

Lebih lengkap semua silakan download di bagian "Download Materi"

Pertemuan 6

Sistem Pakar (Expert System)

Para Ahli mengemukakan apa itu Sitem Pakar (Expert System):

1. Martin & Oxman 1998

Sistem berbasais komputer yang menggunakan pengetahuan, fakta, dan teknik penalaran dalam memecahkan masalah yang biasanya hanya dapat dipecahkan oleh seorang pakar dalam bidang tersebut.

2. Durkin

Program komputer yang dirancang untuk memodelkan kemampuan penyelesaian masalah yang dilakukan oleh sistem pakar.

3. Giarratano & Riley

Sistem komputer yang bisa menyamai atau meniru kemampuan seorang pakar

.

Sistem Pakar (Expert System)

• Sistem yang menggunakan pengetahuan manusia yang terekam dalam komputer untuk memecahkan persoalan yang membutuhkan keahlian manusia.
• Sistem informasi berbasi komputer yang menggunakan pengetahuan untuk mencapai performa keputusan tingkat tinggi dalam domain persoalan yang sempit.

Area Sistem Pakar

Sistem pakar diterapkan untuk mendukung pemecahan masalah, antara lain:

• Pembuatan Keputusan (Decision Making)
• Pemanduan Pengetahuan (Knowledge Fusing)
• Pembuatan Desain (Designing)
• Perencanaan (Planning)
• Prakiraann (Forecasting)
• Pengaturan (Regulating)
• Diagnosis (Diagnosing)
• Perumusan (Prescribing)
• Penjelasan (Explaining)
• Pemberian Nasihat (Advising)
• Pelatihan (Tutoring)

Contoh Sistem Pakar

• MYCIN

Diagnosa penyakit miningitis dan infeksi

• FOLIO

Membantu memberikan keputusan bagi seseorang manajer dalam hal stok broker dan investasi

• XCON & XSEL

Membantu konfigurasi sistem komputer besar

• DELTA

Pemeliharaan lokomotif listrik disel

• DENDRAL

Mengidentifikasi struktur molekular campuran yang tak kenal

Ciri-ciri Sistem Pakar

• Terbatas pada bidang yang spesifik
• Berdasarkan pada rute atau kaidah tertentu
• Outputnya bersifat nasihat atau anjuran
• Output tergantung dari dialog dengan user

Keuntungan Sistem Pakar

• Memungkinkan orang awam bisa mengerjakan pekerjaan para ahli
• Menyimpan pengetahuan dan keahlian para pakar
• Meningkatkan outpu dan produktivitas
• Menghemat waktu dalam pengambilan keputusan
• Menigkatkan kualitas

Kelemahan Sistem Pakar

• Biaya yang diperlukan untuk membuat dan memeliharanya sangat mahal
• Sulit dikembangkan

Ketersedian pakar di bidangnya

• Tidak 100% bernilai benar

Konsep Dasar Sistem Pakar

• Keahlian

Ø Suatu kelebihan penguasaan pengetahuan di bidang tertentu yang diperloheh dari pelatihan, membaca atau pengalaman

Ø Contoh bentuk pengetahuan

v Fakta-fakta dan teori-teori pada lingkup permasalahan tertentu

v Procedur-procedur dan aturan-aturan berkenaan dengan lingkup permasalahan tertentu

v Strategi-strategi global untuk menyelesaikan masalah

• Ahli (Pakar)

Ø Seseorang yang memiliki pengetahuan, penilaian, pengalaman, metode tertentu, kemampuan penerapan keahlian dalam memberikan nasihat untuk pemecahan persoalan

Ø Seseorang yang mampu menjelaskan suatu tanggapan, mempelajari hal-hal baru seputar topik permasalan (domain)

Ø Mengenali & merumuskan permasala

Ø Menyusun kembali pengetahuan jika dipandang perlu

Ø Memcah aturan-aturan jika dibutuhkan

Ø Menentukan relevan tidaknya keahlian mereka

• Pengalihan Keahlian

Ø Pengalihan keahlian dari para ahli ke komputer untuk kemudian dialihkan lagi ke orang lain yang bukan ahli

Ø Pengetahuan yang disimpang di komputer disebut dengan nama basis pengetahuan

• Aturan

Ø Kemapuan untuk melakukan penalaran dengan menggunakan pengetahuan yang ada untuk menghasilkan suatu kesimpulan atau hasil akhir

Ø Dilakukan permodelan proses berfikir manusias

Ø Disebut meter inferensi (infernce engine)

• Kemampuan Menjelaskan

Ø Sebagian besar sistem pakar dibuat dalam bentuk rule-based system

Ø Pengetahuan disimpan dalam bentuk aturan-aturan

Ø Biasanya berbentu IF-THEN

Sistem Pakar VS Sistem Konvesional

Struktur Sistem Pakar

Struktur Sistem Pakar

• Basis Pengetahuan

Ø Berisi pengetahuan yang dibutuhkan untuk memahami, memformulasi, dan memecahkan masalah. Basis pengetahuan tersusun atas 2 elemen dasar:

Ø Fakta, misalnya: situasi, kondisi, dan kenyataan dari permasalahan yang ada, serta teori dalam bidang itu

Ø Aturan, yang mengarahkan penggunaan pengetahuan untuk memecahkan masalah yang spesifik dalam bidang yang khusus

• Mesin Inferensi

Ø Merupakan otak dari sistem pakar

Ø Juga dikenal sebagai penerjemah aturan (rule interpreter)

Ø Komponen ini berupa program komputer yang menyediakan suatu metodologi untuk memikirkan (reasoning) dan memformulasi kesimpulan

Ø Kerja mesin infernsi meliputi:

v Menetukan aturan mana akan aplikasi

v Menyajikan pertanyaan kepada pemakai, ketika diperlukan

v Menambahkan jawaban ke dalam memori Sistem Pakar

v Menyimpulkan fakta baru dari sebuah aturan

v Menambah fakta tadi ke dalam memori

• Blackboard

Ø Aturan dalam memori yang digunakan untuk merekam kejadian yang sedang berlangsung termasuk keputusan sementar

• Antar Pengguna

Ø Media kominkasi antara user dan progam

Ø Pertanyaan – Jawaban

Ø Menu, Formulir, Grafik

• Subsistem Penjelasan

Ø Digunakan untuk melacak respon dan memberikan penjelasan tentang kelakuan sistem pakar secara interaktif melalui pertanyaan

v Mengapa suatu pertanyaan ditanyakan oleh sistem pakar?

v Bagaimana konklusi dicapai?

v Rencana apa yang digunakan untuk mendapat solusi

• Sistem Penyaring Pengetahuan

Ø Seseorang pakar mempunyai sistem penyaring pengetahuan, artinya:

v Menganalisa sendiri performa mereka

v Belajar dari pengalaman, serta

v Meningkatkan pengetahuannya untuk konsultasi berikutnya

Bagaimana Sistem Pakar Melakukan Inferensi?

· Sistem Perantaian Maju (Forward Chaing Systems)

· Sistem Perantaian Balik (Bacward Chaing Systems)

Lebih lengkap semua silakan download di bagian "Download Materi"

Pertemuan 5

Representasi Pengetahuan

> Pengetahuan di klasifikasika menjadi 3 bagian yaitu:

Procedural Knowledge

Tentang Bagaimana melakukan sesuatu

Bagaimana mendidihkan air dalam mangkok

Bagaimana memasak mie instan

Bagaimana menjalankan mobil

Declarative Knowledge

Mengetahui sesuatu itu benar atau salah

Jangan celupkan tangan anda ke dalam air mendidih

Jangan tidur di kelas

Tacit Knowledge

Suatu pengetahuan bawaan yang tidak dapat diungkapkan dengan bahasa

Bagaimana kita menggerakkan tangan

Bagaimana memejamkan mata

Pengetahuan merupakan kunci utama dalam sistem pakar (AI). Tanpa kita beri pengetahuan, AI tidak dapat bekerja dengan baik dan berguna untuk kita. Untuk itu, dapat di analogikan apabila Algoritma + Struktur Data dapat menjadi Program kemudian berdasar pengetahuan yang ada serta Inferensi yang pasti menjadi suatu Sistem Pakar.

Representasi Pengetahuan merupakan metode yang digunakan untuk mengodekan pengetahuan dalam sebuah sistem pakar. Hal ini dimaksudkan untuk menangkap sifat-sifat penting problema, membuat informasi itu dapat diakses oleh prosedur pemecahan problema.

• Dua bagian dasar sistem kecerdasan

buatan (menurut Turban) :

+ Basis pengetahuan

+ Inference Engine

• Karakteristik representasi pengetahuan

Dapat diprogram dengan bahasa komputer dan disimpan dalam memori

Fakta dan pengetahuan lain yang terkandung di dalamnya dapat digunakan untuk melakukan penalaran.

Pengetahuan dapat direpresentasikan dalam bentuk yang sederhana atau kompleks, tergantung dari masalahnya. (Schnupp, 1989). Beberapa model representasi pengetahuan

: Logika (logic)

: List & Tree

: Jaringan semantik (semantic nets)

: Bingkai (frame)

: Tabel Keputusan (decision table)

: Pohon Keputusan (decision tree)

: Naskah (script)

: Kaidah/Sistem produksi (production rule)

Logika

Suatu pengkajian ilmiah tentang serangkaian penalaran, sistem kaidah, dan prosedur yang membantu penalaran. Komputer harus dapat menggunakan proses penalaran deduktif dan induktif ke dalam bentuk yang sesuai dengan manipulasi komputer, yaitu logika simbolik atau matematika, atau dapat disebut Logika Komputasional

Logika Proporsional

• Proposisi merupakan suatu statemen atau pernyataan yang menyatakan benar (TRUE) atau salah (FALSE)

Logika Predikat

• Suatu logika yang lebih canggih yang seluruhnya menggunakankonsep dan kaidah proporsional yang sama. Disebut juga kalkulus predikat, yang memberi tambahan kemampuan untuk merepresentasikan pengetahuan dengan sangat cermat dan rinci. Memungkinkan memecah statemen ke dalam bagian komponenyang disebut obyek, karakteristik obyek atau beberapa keterangan obyek. Suatu proposisi atau premis dibagi menjadi dua bagian

Argumen (atau obyek)

Individu atau obyek yang membuat keterangan

Predikat (keterangan)

Keterangan yang membuat argumen dan predikat

Dalam suatu kalimat, predikat dapat berupa kata kerja atau bagian kata kerja

• PREDIKAT (individu[obyek]1, individu[obyek]2)

• Misalnya proposisi:

Mobil berada dalam garasi

• Dinyatakan menjadi

Di dalam (mobil, garasi)

Di dalam = produk (keterangan)

Mobil = Argumen (obyek)

Garasi = Argumen (obyek)

• Contoh lain

Proposisi : Rojali suka Juleha

Kalkulus Predikat : SUKA (Rojali, Juleha)

Proposisi : Pintu Terbuka

Kalkulus Predikat : BUKA (pintu)

Proposisi : Sensor cahaya aktif

Kalkulus Predikat : AKTIF (sensor cahaya)

Pengetahuan diekspresikan dalam kalkulus predikat yang dapat dimanipulasi agar dapat diinferensi/dinalar. Pangkalan pengetahuan dibentuk dengan menggunakan variabel sebagai simbol-simbol untuk merancang obyek, misalnya

x = Rojali

y = Juleha

Maka proposisinya menjadi Suka(x,y)

Predikat kalkulus membolehkan penggunaan simbol untuk mewakili fungsi-fungsi

Misalnya

ayah(Juleha) = Jojon

ibu(Rojali) = Dorce

Fungsi dapat digunakan bersamaan dengan predikat. Misalnya predikat berikut menjelaskan bahwa Jojon dan Dorce adalah berteman, teman(ayah(Juleha),ibu(Rojali))=teman(Jojon,Dorce)

Penalaran Deduktif bergerak dari penalaran umum menuju ke konklusi khusus atau pernyataan premis dan inferensi

 Premis Mayor

• Contoh : Jika hujan turun saya tidak akan kuliah

 Premis Minor

• Contoh : Pagi ini hujan turun

 Konklusi

• Contoh : Oleh karena itu pagi ini saya tidak akan kuliah

Penalaran Induktif bergerak dari masalah khusus ke masalah umum

• Menggunakan sejumlah fakta atau premis yang mantap untuk menarik kesimpulan umum

• Contoh

+ Premis 1 : Aljabar adalah pelajaran yang sulit

+ Premis 2 : Geometri adalah pelajaran yang sulit

+ Premis 3 : Kalkulus adalah pelajaran yang sulit

+ Konklusi : Matematika adalah pelajaran yang sulit

+ Konklusi tidak selalu mutlak, dapat berubah jika ditemukan fakta baru

• Contoh

• Premis 4 : AI adalah pelajaran yang sulit

Pengukuran Kuantitas

Adalah simbol yang mengijinkan untuk menyatakan suatu rangkaian atau cakrawala variabel dalam suatu ekspresi logika. Dua pengukuran kuantitas, yaitu:

 Kuantitas universal (∀)

 Untuk semua

 Kuantitas eksistensial (∃)

 Ada / terdapat

• Contoh:

 Semua sapi berkaki empat

 (∀x)[Sapi(x), berkaki empat(x)]

 Beberapa sapi berwarna putih

 (∃x)[Sapi(x), berwarna putih(x)]

List

• Struktur sederhana untuk representasi pengetahuan berupa daftar dari rangkaian materi yang terkait. List digunakan untuk objek yang dikelompokkan, dikategorikan atau digabungkan.

Tree / Pohon

• Struktur sederhana untuk representasi pengetahuan dan merupakan struktur grafik hirarki

Jaringan Semantik

• Struktur sederhana untuk representasi pengetahuan grafis yang menunjukkan hubungan antar berbagai objek.

Frame

• Frame berupa kumpulan pengetahuan tentang suatu objek tertentu, peristiwa, lokasi, situasi,

berdasarkan pengalaman. Frame memiliki slot yang menggambarkan rincian (atribut) dan karakteristik objek. Hirarki Frame merupakan susunan hirarki dari frame mengijinkan pewarisan frame.

Tabel Keputusan (Decision Table)

• Tabel keputusan dalam bentuk format tabel

• Tabel dibagi 2  bagian pertama untuk atribut &

bagian kedua untuk nilai & kesimpulan

Pohon Keputusan (Decision Tree)

• Pohon keputusan  mudah dikonversi ke dalam bentuk aturan (rule)

Naskah (Script)

• Naskah  sama dengan frame, bedanya menggambarkan urutan peristiwa

• Elemen script meliputi :

1. Kondisi input > kondisi yang harus dipenuhi

2. Track > variasi yang mungkin terjadi

3. Prop > berisi objek-objek pendukung

4. Role > peran yang dimainkan oleh seseorang

5. Scene > adegan yang dimainkan

6. Hasil > kondisi yang ada setelah urutan peristiwa dalam script terjadi.

Sistem/Aturan Produksi (Production Rules)

• Representasi pengetahuan yang berupa aturan (rule) :

- Antecedent > mengekspresikan situasi / premis (berawalan if)

- Konsekuen > menyatakan tindakan tertentu jika premis

benar (berawalam THEN)

• Contoh :

IF lalulintas pagi ini padat

THEN saya naik sepeda motor saja.

Aturan dapat ditulis dalam beberapa bentuk :

1. IF premis THEN kesimpulan

Jika pendapatan tinggi MAKA pajak yang harus dibayar

juga tinggi

2. Kesimpulan IF premis

Pajak yang harus dibayar tinggi JIKA pendapatan tinggi

3. Inclusion of ELSE

IF pendapatan tinggi OR pengeluaran tinggi,

THEN pajak yang harus dibayar tinggi ELSE pajak

yang harus dibayar rendah

4. Aturan yang lebih kompleks

IF rating kredit tinggi AND gaji lebih besar dari

$30,000 OR aset lebih dari $75,000 AND sejarah

pembayaran tidak miskin THEN pinjaman diatas $ 10,000

disetujui dan daftar pinjaman masuk kategori “B”

Ada 2 metode penalaran yang menggunakan aturan :

+ Forward Reasoning (penalaran maju)

+ Penalaran dimulai dari tujuan atau hipotesa, baru

dicocokkan dengan keadaan awal atau fakta-fakta yang

ada.

+ Gunakan jika jumlah keadaan awal lebih kecil daripada

tujuan & kejadian itu berupa fakta baru

+ Backward Reasoning (Penalaran mundur)

+ Penalaran dimulai dari tujuan atau hipotesa, baru

dicocokkan dengan keadaan awal atau fakta-fakta yang ada.

+ Jika jumlah keadaan awal lebih banyak daripada tujuan

+ Jika kejadian itu berupa query

Lebih lengkap semua silakan download di bagian "Download Materi"