PENGENALAN LOGICAL AGENTS
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.
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) tetapi jika 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).
Knowledge Base (KB)
menyatakan apa yang “diketahui” oleh si agent Pendekatan deklaratif membangun
agent: “beritahu” informasi yang relevan, simpan dalam KB. Agen dapat ditanya
(atau bertanya diri sendiri) apa yang sebaiknya dilakukan berdasarkan KB. 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). q Menyimpulkan action
apa yang perlu diambil.
Agen Berbasis
Pengetahuan atau 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, menambahkan
sentence baru ke KB. Inference Engine merupakan menentukan fakta baru yang
dapat diturunkan dari pengetahuan yang sudah ada dalam KB.
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”.
Agen Berbasis
Pengetahuan, pilihan representasi berpengaruh terhadap apa yang bisa dilakukan
inference engine. Pada pendekatan deklaratif programmer memberitahu 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.
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.
Logika
Logic adalah bahasa
formal untuk merepresentasikan informasi sedemikian hingga kesimpulan dapat
dibuat dalam pembuatan kesimpulan pasti harus menggunakan bahasa yg benar dalam
pembuatan bahasa yang tepat Syntax mendefinisikan kalimat-kalimat pada bahasa
kemudian Semantics mendefinisikan arti kalimat; misal, mendefinisikan kebenaran
sebuah kalimat
Entailment berarti
sesuatu fakta bisa disimpulkan dari (kumpulan) fakta lain Entailment dapat juga
berarti sebuah hubungan antar kalimat ( syntax) yang didasarkan pada semantics
kemudian Model adalah sebuah “dunia” di mana kebenaran suatu sentence bisa
diuji.
Contoh:
Entailment :
KB mengandung sentence “Anto ganteng”
dan “Ani cantik”.
KB |= α1: “Anto ganteng dan Ani cantik”
KB 2 α2: “Anto pintar”
x + y = 4 |= 4 = x + y
Contoh :
Model :
M(α) adalah himpunan semua model dari α
KB= Anto ganteng dan Ani cantik.
α = Anto ganteng
Logika Proposi / logika sederhana
Logika merupakan studi
penalaran yang secara khusus membahas apakah penalaran tersebut benar. Logika
berfokus pada hubungan antara pernyataan- pernyataan yang dipertentangkan
dengan isi pernyataan tertentu.
Metode logika
digunakan dalam matematika untuk membuktikan teorema dan dalam ilmu computer
untuk membuktukan bahwa program-program berjalan seperti yang diharapkan.
Kalimat yang bia
benar bisa salah, tetapi tidak sekaligus keduanya, disebutProposisi (kalimat
terbuka). Proposisi buasanya dinyatakan sebagai kalimat berita (bukan kalimat
tanya, kalimat perintah, dan sebagainya).
Proposisi merupakan
bangunan dasar dari teori logika. Biasanya proposisi dinyatakan dengan huruf
kecil seperti p, q, r dan untuk mengkombinasikan Proposisi
dengan proposisi lain, digunakan kata hubung seperti dan, atau.
Kombinasi dari proposisi-proposisi disebut sebagai Proposisi Majemuk.
1. Sintaks
Sintaks dalam suatu
bahasa adalah sekumpulan aturan baku tentang bagaimana elemen-eleman bahasa
tersusun secara gramatikal. Sintaks menspesifikasikan bagaimana susunan setiap
kata dituliskan kedalam suatu kalimat.
2. Semantik
Semantik dalam suatu
bahasa adalah menekankan pada makna atau arti yang terkandung dalam suatu
pernyataan atau kalimat.
3. INFERENSI
Misalkan kita
diberikan beberapa proposisi, kita dapat menarik kesimpulan baru dari deret
proposisi tersebut. Proses penarikan kesimpulan dari beberapa proposisi
tersebut disebut sebagai inferensi (inference). Di dalam matematika distrik
terdapat sejumlah kaidah inferensi, beberapa diantaranya adalah :
· Modus Ponen atau law
of detachment menyatakan bahwa jika hipotesis p dan pada implikasi p
-> q benar, maka konklusi q benar.
· Modus Tollen
kaidah ini didasarkan pada tautologi [~q ^ (p -> q) ] -> ~p.
· Silogisme Hipotesis
kaidah ini didasarkan pada tautologi [(p -> q) ^ (q -> r)] -> (p - > r).
· Silogisme Disjungtif
kaidah ini didasarkan pada tautologi [(p v q) ^ ~p] -> q.
· Simplifikasi
kaidah ini didasarkan pada tautologi (p ^ q) -> p, yang dalam hal ini, p dan
q adalah hipotesis, sedangkan p adalah konklusi.
· Penjumlahan kaidah
ini didasarkan pada tautologi p -> (p v q) .
· Konjungsi kaidah ini
didasarkan pada tautologi ((p) ^ (q)) -> (p ^ q) .
4. Ekuivalen
(Equivalence)
Proposisi yang
bernilai benar jika proposisi p dan q memiliki nilai kebenaran yang sama.Di
dalam matematika diskrit ini secara simbolik, proposisi biasanya dilambangkan
dengan huruf kecil seperti p, q, r dan seperti ini permisalannya :
p : 6 adalah bilangan
genap.
q : Soekarno adalah
Presiden Indonesia yang pertama.
r : 3+3 = 6
Untuk mendefinisikan p sebagai
preposisi "6 adalah bilangan genap" , begitu dengan q dan r.
5. Validitas dan
Satisfiability
Dalam logika
matematika , satisfiability dan validitas adalah konsep dasar dari semantik .
Sebuah rumus adalah satisfiable apakah mungkin untuk menemukan interpretasi
(Model ) yang membuat formula yang benar. Sebuah formula berlaku jika semua
interpretasi membuat formula yang benar. Kebalikan dari konsep-konsep ini
unsatisfiabilitydan ketidakabsahan, yaitu, formula adalah unsatisfiable jika
tidak ada interpretasi membuat formula yang benar, dan tidak sah jika beberapa
penafsiran tersebut membuat formula palsu. Keempat konsep terkait satu sama
lain dengan cara yang persis analog dengan Aristoteles 's persegi oposisi .
Pola penalaran (reasoning
pattern) pada logika proposisi
Penalaran yaitu
proses berfikir yang bertolak dari pengamatan indera atau observasi empirik
yang menghasilkan sejumlah pengertian dan proposisi sekaligus. Penalaran erat
kaitannya dengan penyimpulan, argumen dan bukti. Penyimpulamn dalam arti yang
sebenarnya tidak mencakup aktivitas menemukan proposisi-proposisi disusun dalam
premis., akan tetapi hanya memakai hubungan proposisi-proposisi dalam premis
dan menentukan konklusinya.
1. Resolusi
Strategi inferensi
yang digunakan pada sistem logika untuk menentukan kebenaran dari suatu
assertion (penegasan) `Metoda Resolusi mencoba untuk membuktikan bahwa beberapa
teorema atau ekspresi sebagai proposisi P adalah TRUE, dengan memberikan
sejumlahaksiomadarimasalahtersebut sejumlah aksioma dari masalah tersebut.
2. Backward &
Forward chaining
Backward
Chaining merupakan Pendekatan goal-driven, dimulai dari ekspektasi apa
yang diinginkan terjadi (hipotesis), kemudian mengecek pada sebab-sebab yang
mendukung (ataupun pygg(p kontradiktif) dari ekspektasi tersebut. Jika suatu
aplikasi menghasilkan tree yang sempit dan cukupdalammakagunakanbackwardchaining
cukup dalam, maka gunakan backward chaining.
Forward chaining
Merupakan grup dari multipel inferensi yang melakukan pencarian dari suatu
masalah kepada solusinya. Jika klausa premis sesuai dengan situasi (bernilai
TRUE), maka prosesakanmengassertkonklusi proses akan meng-assert konklusi.
Forward Chaining adalah data driven karena inferensi dimulai dengan
informasi yg tersedia dan baru konklusi diperoleh.
Inferensi proporsi yang efektif
1. Algoritma Backtracking
Algoritma
backtracking merupakan salah satu metode pemecahan masalah yang termasuk dalam
strategi yang berbasis pencarian pada ruang status. Algoritma backtracking
bekerja secara rekursif dan melakukan pencarian solusi persoalan secara
sistematis pada semua kemungkinan solusi yang ada. Oleh karena algoritma ini
berbasis pada algoritma Depth-First Search (DFS), maka pencarian solusi
dilakukan dengan menelusuri struktur berbentuk pohon berakar secara preorder.
Algoritma backtracking merupakan bentuk tipikal dari algoritma rekursif.Saat
ini algoritma backtracking banyak diterapkan untuk program games (seperti
permainan tic-tac-toe, menemukan jalan keluar dalam sebuah labirin, catur, dll)
dan masalah-masalah pada bidang kecerdasan buatan (artificial
intelligence).
2. Algoritma Pencarian Lokal
Pencarian lokal
berusaha untuk melakukan optimasi, misalnya dengan teknik Hill Climbing. Teknik
Hill Climbing dapat digunakan untuk memecahkan persoalan yang memiliki banyak
alternatif solusi untuk kemudian memilih solusi yang terbaik. Cara kerjanya dimulai
dengan memilih solusi acak, kemudian dilakukan perubahan sedikit demi sedikit,
setiap perubahan menghasilkan solusi yang lebih baik. Saat perubahan yang
dilakukan tidak lagi mendapatkan solusi yang lebih baik, algoritma Hill
Climbing akan berhenti mencari dan menentukan solusi terakhir sebagai solusi
yang optimal. Contoh penggunaan Hill Climbing pada kecerdasan buatan adalah
pencarian rute terbaik, dari berbagai kemungkinan rute yang ada.
Agen berbasis logika proposisi
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.
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) tetapi jika 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).
Sumber:
Tidak ada komentar:
Posting Komentar