MATERI SISTEM CERDAS MINGGU 9 - 12
Inferensi
dalam Logika Order Pertama
9.1 Mengubah Inferensi Order Pertama
Menjadi Proporsi
(First Order Predicate Logic)
• Representasi 4 kategori silogisme
menggunakan
logika predikat
Kaidah Universal Instatiation
merupakan state
dasar, dimana suatu individual dapat
digantikan
(disubsitusi) ke dalam sifat
universal.
• Contoh :
Misal, φ merupakan fungsi proposisi :
(∀ x) φ(x)
∴ φ(a)
merupakan bentuk yang valid, dimana a
menunjukkan
spesifik individual, sedangkan x
adalah suatu variabel
yang berada dalam jangkauan semua
individu (universal)
• Contoh lain : (∀ x) H(x)
∴ H(Socrates)
• Berikut ini adalah contoh
pembuktian formal silogisme
All men are mortal
Socrates is a man
Therefore, Socrates is mortal
Misal : H = man, M = mortal, s =
Socrates
1. (∀ x) (H
(x) -> M(x))
2. H(s)
/ ∴ M(s)
3. H(s) -> M(s)
1 Universal Instatiation
4. M(s)
2,3 Modus Ponens
9.2 Unifikasi
Unifikasi
adalah usaha untuk mencoba membuat dua ekspresi menjadi identik
(mempersatukan keduanya) dengan mencari substitusi-substitusi tertentu untuk
mengikuti peubah-peubah dalam ekspresi mereka tersebut. Unifikasi merupakan
suatu prosedur sistematik untuk memperoleh peubah-peubah instan dalam wffs.
Ketika nilai kebenaran predikat adalah sebuah fungsi dari nilai-nilai yang
diasumsikan dengan argumen mereka, keinstanan terkontrol dari nilai-nilai
selanjutnya yang menyediakan cara memvalidasi nilai-nilai kebenaran pernyataan
yang berisi predikat. Unifikasi merupakan dasar atas kebanyakan strategi
inferensi dalam Kecerdasan Buatan. Sedangkan dasar dari unifikasi adalah
substitusi.
Suatu substitusi (substitution)
adalah suatu himpunan penetapan istilah-istilah kepada peubah, tanpa ada peubah
yang ditetapkan lebih dari satu istilah. Sebagai pengetahuan jantung dari
eksekusi Prolog, adalah mekanisme unifikasi.
Aturan-aturan unifikasi :
1. Dua
atom (konstanta atau peubah) adalah identik.
2. Dua
daftar identik, atau ekspresi dikonversi ke dalam satu buah daftar.
3. Sebuah
konstanta dan satu peubah terikat dipersatukan, sehingga peubah menjadi terikat
kepada konstanta.
4. Sebuah
peubah tak terikat dipersatukan dengan sebuah peubah terikat.
5. Sebuah
peubah terikat dipersatukan dengan sebuah konstanta jika pengikatan pada peubah
terikat dengan konstanta tidak ada konflik.
6. Dua
peubah tidak terikat disatukan. Jika peubah yang satu lainnya menjadi terikat
dalam upa-urutan langkah unifikasi, yang lainnya juga menjadi terikat ke atom
yang sama (peubah atau konstanta).
7. Dua
peubah terikat disatukan jika keduanya terikat (mungkin melalui pengikatan
tengah) ke atom yang sama (peubah atau konstanta).
9.3 Generalized Modus Ponens (GMP)
Dalam logika
Boolean, dengan aturan `` JIKA X adalah A THEN Y adalah B '',
proposisi X adalah A harus diamati untuk mempertimbangkan
proposisi Yadalah B.
Dalam logika
fuzzy, proposisi `` X adalah A' '', Dekat dengan premis
`` X adalah A '' dapat diamati untuk memberikan kesimpulan
`` Y adalah B' '' Dekat dengan kesimpulan
`` Y adalah B '' .
Sebuah inferensi fuzzy sederhana
dapat direpresentasikan sebagai:
|
Aturan
|
: JIKA
|
X adalah A THEN
|
Y adalah B
|
|
|
Fakta
|
:
|
X adalah
A'
|
||
|
Kesimpulan
|
:
|
Y adalah
B'
|
Untuk menyimpulkan seperti inferensi
fuzzy kita menggunakan mekanisme yang disebut umum modus ponens.
Catatan: Asumsikan
-> operator implikasi Brouwer-Gödel dan o operator kombinasi,
rumus dapat dinyatakan dengan B' = A'o(A-->B) yang kita gunakan
sekarang untuk menyederhanakan notasi.
9.4 Rangkaian Forward Chaining dan
Backward Chaining
• Chain (rantai) : perkalian
inferensi yang
menghubung-kan suatu permasalahan
dengan
solusinya.
• Forward chaining :
– Suatu rantai yang dicari atau
dilewati/dilintasi dari
suatu permasalahn untuk memperoleh
solusi.
– Penalaran dari fakta menuju
konklusi yang terdapat
dari fakta.
• Backward chaining :
– Suatu rantai yang dilintasi dari
suatu hipotesa tersebut.
– Tujuan yang dapat dipenuhi dengan
pemenuhan
sub tujuannya.
• Contoh rantai inferensi :
gajah(x) -> mamalia (x)
mamalia(x) -> binatang(x)
Karakteristik Forward dan Backward
chaining
Forward Chaining
Backward Chaining
Penalaran
10.1
Ketidakpastian
Ketidakpastian adalah parameter
terkait dengan hasil pengukuran, yang mencirikan dispersi dari nilai-nilai yang
cukup dapat dikaitkan dengan objek yang diukur. Ketidakpastian memiliki dasar
probabilistik dan mencerminkan pengetahuan yang tidak lengkap dari besaran
tersebut
10.2 TEOREMA BAYES
Dalam teori probabilitas dan
statistika, Pengertian Teorema Bayes adalah teorema yang digunakan untuk
menghitung peluang dalam suatu hipotesis, Teorema bayes dikenalkan oleh ilmuan
yang bernama Bayes yang ingin memastikan keberadaan Tuhan dengan mencari fakta
di dunia yang menunjukan keberadaan Tuhan. Bayes mencari fakta keberadaan tuhan
didunia kemudian mengubahnya dengan nilai Probabilitas yang akan dibandingkan
dengan nilai Probabilitas. teorema ini juga merupakan dasar dari statistika
Bayes yang memiliki penerapan dalam ilmu ekonomi mikro, sains, teori permain,
hukum dan kedokteran.
Teorema Bayes akhirnya dikembangkan
dengan berbagai ilmu termasuk untuk penyelesaian masalah sistem pakar dengan
menetukan nilai probabilitas dari hipotesa pakar dan nilai evidence yang
didapatkan fakta yang didapat dari objek yang diagnosa. Teorama Bayes ini
membutuhkan biaya komputasi yang mahal karena kebutuhan untuk menghitung nilai
probabilitas untuk tiap nilai dari perkalian kartesius. penerapan Teorema Bayes
untuk mencari penerapan dinamakan inferens Bayes
FAKTOR KEPASTIAN
Tujuan utama penggunaan factor
kepastian adalah untuk mengolah ketidakpastian dari fakta dan gejala dengan
menghindarkan keperluan data dan perhitungan yang besar. Factor kepastian
diperoleh dari pengurangan nilai kepercayaan (measure of belief) oleh
nilai ketidak percayaan.
Faktor kepastian membuat beberapa
asumsi yang memudahkan tingkat kepercayaan dan beberapa persamaan aturan yang
mudah untuk mengkombinasikan tingkat kepercayaan sebagai program dalam mencapai
kesimpulan akhir.
Factor kepastian (certainly Factor)
diperkenlakan oleh Shortliffe Buchhaman dalam pembuatan MYCIN (Weskey, 1984).
Certainly Factor (CF) merupakan nilai parameter klinis yang diberikan MYCIN
untuk menunjukan besarnya kepercayaan. Certainly Faktor didefinisikan sebagai
berikut (Giarattano dan Riley, 1994)
- Sistem pakar
harus mampu mengatasi ketidakpastian dan menggambarkan konklusi yang valid.
- Ketidakpastian
dalam sistem berbasis kaidah dapat berasal dari 3 hal berikut :
1. Kaidah
Tunggal (individual rule)
Kaidah tunggal dipengaruhi oleh 3 hal
: kesalahan (error), probabilitas dan kombinasi premis.
Kesalahan (error) disebabkan antara
lain oleh :
a. Ambiguitas, yaitu
sesuatu yang didefinisikan berlebihan
b.
Ketidaklengkapan data
c. Kesalahan
informasi
d. Kesalahan
pengukuran
Probabilitas disebabkan oleh
ketidakmampuan seorang pakar untuk merumuskan kaidah secara pasti. Pemberian
nilai probabilitas yang menyatakan derajat kepercayaan dapat juga menyebabkan
ketidakpastian.
Kombinasi premis di dalam anteseden
jika premis lebih dari sebuah perlu diperhatikan. Beberapa kombinasi yang dapat
dibentuk :
E1 AND E2 AND E3
atau
E1 AND E2 OR E3
atau
E1 AND NOT E2 OR E3
2.
Ketidaksesuaian Antarkaidah (incompatibility of rule)
Ketidaksesuaian antarkaidah dapat
disebabkan oleh : kontradiksi kaidah, subsumsi kaidah, redudansi kaidah,
kehilangan kaidah dan penggabungan data.
Kontradiksi kaidah
Kontradiksi merupakan ketidaksesuaian
konsekuen diantara dua kaidah yang bisa jadi disebabkan oleh anteseden yang
kuran spesifik.
Contoh :
Kaidah 1 : IF terdapat api THEN
siramlah dengan air
Kaidah 2 : IF terdapat api THEN
jangan siram dengan air
Interpretasi kaidah 1, jika
bebar-benar terdapat api seperti terbakarnya kayu, maka akan dilakukan
pemadaman dengan menyiramkan air. Sedangkan pada kaidah 2 memang terdapat api
yang memang sengaja untuk melakukan pembakaran (mis. Memasak) yang tidak boleh
disiram air.
Subsumsi kaidah
Subsumsi kaidah terjadi jika
anteseden merupakan bagian dari kaidah yang lain.
Contoh :
Kaidah 1 : IF E1 THEN H
Kaidah 2 : IF E1 and E2 THEN H
Interpretasinya, jika E1 yang muncul,
maka tidak terdapat masalah karena kaidah 1 yang akan dijalankan, tetapi jika
E1 dan E2 kedua-duanya muncul pada kaidah 1 dan kaidah 2, maka kedua-duanya
akan sama-sama dijalankan sehingga konflik resolusi dibutuhkan.
Redudansi kaidah
Redudansi aturan adalah kaidah-kaidah
yang mempunyai konsekuen dan evidence yang sama.
Contoh :
Kaidah 1 : IF E1 and E2 THEN H
Kaidah 2 : IF E2 and E1THEN H
Kehilangan kaidah
Kehilangan aturan merupakan penyebab
ketidaksesuaian antarkaidah yang terjadi jika seorang ahli lupa atau tidak
sadar akan membuat kaidah.
Contoh :
IF E4 THEN H
Jika E4 diabaikan maka H tidak akan
pernah dapat disimpulkan dengan layak.
Penggabungan data (data fussion)
Penggabungan data merujuk kepada
ketidakpastian yang dihubungkan dengan perpaduan data dari tipe informasi yang
berbeda. Kesemua tipe yang berbeda tersebut harus digabungkan untuk menjadikan
mereka sebagai suatu informasi yang mendukung dan menjadi pertimbangan saat pengambilan
keputusan akhir.
Contoh :
Dokter membuat diagnosis penyakit
tidak hanya dari hasil pemeriksaan fisik, tetapi juga hasil laboratorium,
riwayat penyakit pasien dsb.
3. Resolusi
Konflik (conflict resolution)
Resolusi konflik merupakan proses
menyeleksi atau memilih kaidah yang ada jika terdapat lebih dari satu kaidah
yang diaktivasi dan resolusi konflik disebabkan oleh interaksi antarkaidah.
Beberapa metode untuk resolusi
konflik :
a. Memicu kaidah
berdasarkan prioritas.
b. Mempunyai
kadiah yang mempunyai banyak premis yang harus dipenuhi. Metode ini dikenal
denganthe longest matching strategy.
c. Memilih
kaidah yang paling banyak digunakan.
d. Memilih kaidah
yang palinga kahir ditambahkan pada sekumpulan kaidah.
e. Memilih
kaidah yang waktu eksekusinya paling singkat.
f. Memilih semua
kaidah dari sekumpulah kaidah yang ada.
10.3 FAKTOR
KEPASTIAN (CERTAINTY FACTOR)
- Faktor
kepastian merupakan cara dari penggabungan kepercayaan (belief) dan ketidapercayaan
(unbelief) dalam bilangan yang tunggal.
- Dalam certainty
theory, data-data kualitatif direpresentasikan sebagai derajat keyakinan
(degree of belief).
- Tahapan dalam
merepresentasikan data-data kualitatif :
1.
kemampuan untuk mengekspresikan derajat keyakinan sesuai dengan metode
yang sudah dibahas sebelumnya.
2.
kemampuan untuk menempatkan dan mengkombinasikan derajat keyakinan
tersebut dalam sistem pakar.
- Dalam
mengekspresikan derajat keyakinan digunakan suatu nilai yang disebut certain
factor (CF) untuk engasumsikan derajat keyakianan seorang pakar terhadap suatu
data.
- Formulasi
certain factor :
CF[H,E] = MB[H,E] – MD[H,E]
Dimana :
CF = Certain Factor (faktor
kepastian) dalam hipotesis H yang
dipengaruhi oleh fakta E
MB = Measure of Belief (tingkat
keyakinan), adalah ukuran kenaik-
an dari kepercayaan hipotesis H
dipengaruhi oleh fakta E.
MD = Measure of Disbelief (tingkat
ketidakyakinan), adalah kenaik-
an dari ketidakpercayaan hipotesis H
dipengaruhi fakta E.
E = Evidence (peristiwa ataua fakta)
- Penggabungan
kepercayaan dan ketidakpercayaan dalam bilangan yang tunggal memiliki dua
kegunaan, yaitu :
1. Faktor
kepastian digunakan untuk tingkat hipotesis di dalam urutan kepentingan.
Contoh : jika seorang pasien
mempunyai gejala tertentu yang mengindikasikan beberapa kemungkinan
penyakit, maka penyakit dengan CF tertinggi menjadi urutan pertama dalam urutan
pengujian.
Ukuran kepercayaan dan
ketidapercayaan didefinisikan dalam probabilitas sebagai berikut :
1
P(H) = 1
MB(H,E) =
max[P(H|E),P(H)]-P(H)
lainnya
max[1,0]-P(H)
1
P(H) = 0
MD(H,E) =
max[P(H|E),P(H)]-P(H)
lainnya
min
[1,0]-P(H)
Karakteristik dari MB, MD dan CF
Karakteristik
Nilai
Jangkauan
0 £ MB £ 1
0 £ MD £ 1
-1 £ CF £ 1
Hipotesis pasti benar
P(H|E) = 1
MB = 1
MD = 0
CF = 1
Hipotesis pasti salah
P(H’|E) = 1
MB = 0
MD = 1
CF = -1
Kekurangan fakta
P(H|E) = P(H)
MB = 0
MD = 0
CF = 0
Faktor kepastian (CF) menunjukkan
jaringan kepercayaan dalam suatu hipotesis ayng berdasarkan pada beberapa
fakta.
CF Positif : mendukung hipotesis,
karena MB > MD.
CF=1 : fakta secara definisi
membuktikan suatu hipotesis
CF=0 : s CF=MB-MD
= 0 , berarti tidak ada fakta
s MD=MB, berarti kepercayaan dihapus atau ditiadakan oleh
ketidakpercayaan
CF Negatif : fakta menandakan negasi
dari hipotesis, karena MB < MD. Dengan kata lain menyatakan ketidakpercayaan
terhadap hipotesis daripada mempercayainya.
2. Faktor
kepastian memberikan seorang pakar untuk menyatakan kepercayaan tanpa
menyatakan nilai ketidakpercayaan.
Formulanya :
CF(H,E) + CF(H’,E) = 0
Berarti, fakta mendukung suatu
hipotesis dan mengurangi dukungan terhadap negasi dari hipotesis dengan jumlah
yang sama, sehingga jumlahnya selalu nol.
Contoh :
Mahasiswa lulus jika mendapatkan
nilai A untuk suatu mata kuliah.
CF(H,E) = 0,70
CF(H’,E) = -0,70
Seberapa kepercayaan Anda bahwa mendapatkan
nilai A akan membantu Anda lulus ?
Jawab : saya pastikan 70% bahwa saya
akan lulus jika saya memperoleh nilai A untuk mata kuliah ini.
Seberapa ketidakpercayaan Anda bahwa
mendapatkan nilai A akan membantu Anda lulus ?
Jawab : saya pastikan -70%
bahwa saya tidak akan lulus jika saya memperoleh nilai A untuk mata kuliah ini
10.4 TEORI
DEMPSTER-SHAFER
Teori Dempster-Shafer adalah teori
matematika untuk pembuktian berdasarkan belief functions(fungsi kepercayaan)
dan plausible reasonin (penalaran yang masuk akal). Digunakan untuk
mengkombinasikan potongan informasi (fakta) yang terpisah untuk mengkalkulasi
kemungkinan dari suatu peristiwa.Teori Dempster-Shafer adalah suatu teori
matematika untuk pembuktian (Kusumadewi, 2003) berdasarkan belief functions and
plausible reasoning (fungsi kepercayaan dan pemikiran yang masuk akal), yang
digunakan untuk mengkombinasikan potongan informasi yang terpisah (bukti) untuk
mengkalkulasi kemungkinan dari suatu peristiwa. Teori ini dikembangkan oleh Arthur
P. Dempster dan Glenn Shafer.
Ada berbagai macam penalaran dengan
model yang lengkap dan sangat konsisten, tetapi pada kenyataannya banyak
permasalahan yang tidak dapat terselesaikan secara lengkap dan konsisten.
Ketidakkonsistenan yang tersebut adalah akibat adanya penambahan fakta baru.
Penalaran yang seperti itu disebut dengan penalaran non monotonis. Untuk
mengatasi ketidakkonsistenan tersebut maka dapat menggunakan penalaran dengan
teori Dempster-Shafer. Secara umum teori Dempster-Shafer ditulis dalam suatu
interval:
[Belief,Plausibility]
Belief (Bel) adalah ukuran kekuatan
evidence dalam mendukung suatu himpunan proposisi. Jika bernilai 0 maka
mengindikasikan bahwa tidak ada evidence, dan jika bernilai 1 menunjukkan
adanya kepastian. Dimana nilai bel yaitu (0-0.9).
Plausibility (Pl) dinotasikan sebagai
: Pl(s) = 1 – Bel (-s) Plausibility juga bernilai 0 sampai 1. Jika yakin
akan-s, maka dapat dikatakan bahwa Bel(-s)=1, dan Pl(-s)=0.
Contoh :
Diketahui nilai belief
adalah 0,5 dan nilai plausibility adalah 0,8 untuk proposisi “the cat in
the box is dead”
Bel = 0,5
Fakta yang mendukung proposisi
tersebut memiliki nilai kepercayaan sebesar 0,5
Pl = 0,8
Fakta yang melawan proposisi
tersebut hanya memiliki nilai kepercayaan sebesar 0,2
Pada teori Dempster-Shafer dikenal
adanya frame of discernment (θ) yaitu semesta pembicaraan dari sekumpulan
hipotesis. Nilai probabilitas densitas (m) mendefinisikan elemen-elemen θ
serta semua subsetnya. Jika θ berisi n elemen, subset dari θ adalah 2n
Bahasa Pemrograman untuk Aplikasi
Inteligensi Buatan : Prolog
DASAR-DASAR PROLOG
Fakta dan Relasi
Fakta Adalah suatu unit yang selalu bernilai benar,fakta ini merupakan
kumpulan data-data objek. Suatu fakta dibedakan dalam 2 jenis, yaitu fakta yang
menunjukan relasi dan fakta yang menunjukan milik/sifat, penulisan suatu fakta
selalu di akhir dengan (.)
Contoh :
Fakta
Prolog
Slamet adalah ayah Amin
ayah (slamet, amin).
Anita adalah seorang wanita
wanita (anita).
Angga suka renang dan tenis
suka(angga,renang).dan
suka(angga,tenis).
Jeruk berwarna jingga
jngga(jeruk).
Aturan (“Rules”)
Aturan adalah suatu pernyataan yang menunjukan bagaimana fakta-fakta
berinteraksi satu dengan yang lain untuk membentuk suatu kesimpulan. Sebuah
aturan dinyatakan sebagai suatu kalimat bersyarat. Kata “if” adalah kata yang
dikenal Prolog untuk menyatakan kalimat bersyarat atau disimbolkan dengan “:-“.
Contoh :
Fakta dan Aturan
Prolog
F : Tino suka apel
A : Yuli suka sesuatu yang disukai Tino
suka(tino, apel).
suka(yuli,Sesuatu) :-
suka(tino,Sesuatu).
Setiap aturan terdiri dari kesimpulan
(kepala) dan tubuh. Tubuh dapat terdiri dari 1 atau lebih pernyataan atau
aturan yang lain, disebut subgoal dan dihubungkan dengan logika “and”. Aturan
memiliki sifat then/if conditional “Kepala(head) benar jika tubuh (body)
benar”.
Pertanyaan (“Query”)
Setelah memberikan data-data berupa
fakta dan aturan, selanjutnya kita dapat mengajukan pertanyaan berdasarkan
fakta dan aturan yang ada. Penulisannya diawali simbol “?-“ dan diakhiri tanda
“.”.
Contoh :
Pertanyaan
Prolog dan Jawaban Program
Apakah Tini suka boneka ?
?- suka(tini,boneka).
Yes ……. (jika faktanya Tini suka
boneka)
No……..…(jika tidak sesuai fakta).
Apakah yang disukai Tini ?
?- suka(tini,Apa).
Apa=boneka
Siapakah yang suka boneka ?
?- suka(Siapa,boneka).
Siapa=tini
Dari contoh silsilah keluarga di atas :
Siapakah kakek Budi ?
Siapakah cucu Slamet ?
?- kakek(Siapa,budi).
Siapa=slamet
?- kakek(slamet,Cucu).
Cucu=budi ;
Cucu=badu
(jika kemungkinan ada lebih dari satu
jawaban gunakan tanda “;” pada akhir setiap jawaban).
STRUKTUR PROGRAM PROLOG
STRUKTUR PROGRAM PROLOG
Program Prolog terdiri dari :
Domains
Domains menyatakan jenis suatu
variabel.
Domains seperti tipe data dalam bahasa
prosedural (Pascal,C)
Beberapa domains standar dalam
prolog: char, integer, real, string, symbol.
contoh:
namaBunga = symbol
mataKuliah = string
nilai = integer
Domains char dipakai pada predikat yang
argumennya memiliki nilai berupa karakter tunggal, yaitu abjad, angka,
pungtuasi (?.!,<,...), dan operasi (+,‐,...). Penulisan
argumen bertipe char dalam prolog diapit tanda ’...’.
contoh: nilai (dita, ’A’).
Domains string dipakai pada predikat
yang argumennya memiliki nilai berupa karakter jamak yang dapat berupa kata
maupun suatu tulisan (kumpulan kata‐kata termasuk di
dalamnya pungtuasi dan tanda operasi yang dapat dipisahkan spasi). Penulisan
argumen bertipe string dalam prolog diapit tanda ”...”.
contoh: hobi(rina,”Memasak”).
Domains integer dipakai pada predikat
yang argumennya memiliki nilai berupa bilangan bulat.
Contoh: nilai(tini,”Kalkulus”,75).
Domains real dipakai pada predikat yang
argumennya memiliki nilai berupa bilangan pecahan. Penulisan argumen bertipe
real dalam prolog untuk nilai pecahan ditulis di belakang tanda titik (.).
contoh: nilai(ivan, 8.75).
Domains symbol dipakai pada predikat
yang argumennya memiliki nilai berupa kumpulan karakter yang hanya terdiri dari
huruf atau kata tanpa dipisahkan oleh spasi. Suatu kata dapat
disambungkan dengan kata lain dengan tanda _ (underscore).
contoh: lelaki(toni_setiawan).
b. Predicates
Predicates digunakan untuk
mendeklarasikan predikat.
Penulisan dalam Prolog :
Diawali dengan huruf kecil.
Contoh:
saudara(x,y)
suka(nama,hobi)
manis(x)
c. Clauses
Clauses digunakan untuk mendefinisikan
predikat.
Clauses terdiri dari fakta dan aturan:
1. Fakta
Fakta merupakan suatu kenyataan atau
kebenaran yang diketahui.
Fakta menyatakan hubungan/relasi antara
dua obyek atau lebih atau menunjukkan sifat suatu obyek.
Penulisan dalam Prolog :
Diawali dengan huruf kecil dan diakhiri
dengan tanda titik.
Contoh :
saudara(tina,tini).
suka(lia,menyanyi).
manis(gula).
2. Aturan
Aturan penulisan :
If ditulis sebagai ‘titik dua +
strep’ (:‐)
And ditulis sebagai ‘koma’ (,)
Or ditulis sebagai ‘titik koma (;)
d. Goal
Goal adalah tempat pernyataan (query)
diberikan atau meminta prolog untuk
mencapai tujuan yang dikehendaki.
Studi Kasus : Prolog
PROGRAM KELUARGA SEDERHANA
suami(muktar,kiyah). // muktar adalah
suami dari kiyah
isteri(kiyah,muktar). // kiyah adalah
isteri dari muktar
ibu(kiyah,ani).
ibu(kiyah,kholik).
ibu(kiyah,mutia). // kiyah adalah ibu
dari mutia
ayah(muktar,ani).
ayah(muktar,kholik). // muktar adalah
ayah dari kholik
ayah(muktar,mutia).
adik(kholik,ani).
adik(mutia,ani). // mutia adalah adik
dari ani
adik(mutia,kholik).
kaka(ani,kholik).
kaka(ani,mutia). // ani adalah kaka
dari mutia
kaka(kholik,mutia).
//melakukan pengambilan kesimpulan,
pernyataan baru
anak(Y):- // akan benar anak si Y
apabila
ibu(kiyah,Y),ayah(muktar,Y). //
ibunya adalah kiyah dan ayahnya adalah muktar
menikah(X,Y):- //akan benar menikah si
X dengan Y apabila
suami(X,Y),isteri(Y,X). // suami
(X,Y) dan isteri (Y,X)
menikah(Y,X):-
suami(X,Y),isteri(Y,X).
saudara(X,Y):-
adik(X,Y),kaka(Y,X).
saudara(Y,X):-
adik(X,Y),kaka(Y,X).
OUTPUT
Daftar Pustaka
http://pipittahta.blogspot.co.id/2015/06/teori-dempster-shafer.html
http://youdhiedoes.blogspot.co.id/2013/12/faktor-kepastian_731.html
Komentar
Posting Komentar