Jumat, 18 November 2016

Inference engine III (TIGA MACAM TEKNIK PENELUSURAN)

Teknik penalaran (forward dan backward chaining) dipengaruhi oleh tiga macam teknik penelusuran (searching) yaitu:
1. Teknik Depth-First Search
Adalah teknik penelusuran data pada node-node secara vertical dan sudah terdefinisi, misalnya kiri ke kanan, keuntungan pencarian dengan teknik ini adalah bahwa penelurusan masalah dapat di gali secara mendalam sampai di temukannya kapasitas suatu solusi yang optimal. Kekurangan teknik penelesuran ini adalah membutuhkan waktu yang sangat lama untuk ruang lingkup masalah yang besar.
2. Teknik Breadth-First Search
Adalah teknik penelusuran data pada semua node dalam satu level atau salah satu tingkatan sebelum ke level atau tingkatan di bawahnya. Keuntungan pencarian daengan teknik ini adalah sama dengan depth first search, hanya saja penelusuran dengan tehnik ini mempunyai nilai tambah, dimana semua node akan di cek secara menyeluruh pada setiap tingkatan node. Kekurangan teknik penelusuran ini terletak pada waktu yang dibutuhkan yang sangat lama apabila solusi berada dalam posisi node terakhir sehingga menjadi tidak efisien. Kekurangan dalam implementasi juga perlu di pertimbangkan, misalnya teknik penelusuran menjadi tidak interaktif antara suatu topik dengan topik yang lain atau harus melompat dari satu topik ke topik yang lain sebelum topik tersebut selesai di telusuri.
3. Teknik Best-First Search
Adalah teknik penelusuran yang menggunakan pengetahuan akan suatu masalah untuk melakukan panduan pencarian ke arah node tempat dimana solusi berada. Pencarian jenis ini dikenal juga sebagai heuristic. Pendekatan yang dilakukan adalah mencari solusi yang terbaik berdasarkan pengetahuan yang dimiliki sehingga penelusuran dapat ditentukan harus di mulai dari mana dan bagaimana menggunakan proses terbaik untuk mencari solusi. Keuntungan jenis pencarian ini adalah mengurangi beban komputasi karena hanya solusi yang memberikan harapan saja yang diuji dan akan berhenti apabila solusi sudah mendekati yang terbaik. Ini merupakan model yang menyerupai cara manusia mengambil solusi yang dihasilkan merupakan solusi yang mutlak benar.

Inference engine II (METODE BACKWARD CHAINING DAN FORWARD CHAINING)

Metode backward Chaining dan Forward Chaining


Merupakan kebalikan dari forward chaining dimana mulai dengan sebuah hipotesa (sebuah objek) dan meminta informasi untuk meyakinkan atau mengabaikan. Backward chaining inference engine sering disebut: ‘Object-Driven/Goal-Driven‘.

Catatan: inference engine adalah bagian dari sistem pakar yang mencoba menggunakan informasi yang diberikan untuk menemukan objek yang sesuai. Inference engine mempunayi 2 kategori yaitu deterministic dan probabilistik. Sedangkan dasar untuk membentuk inference engine diantaranya: forward chaining, backward chaining dan rule value (merupakan pendahulu dari forward dan backward chaining).

Backward Chaining: Pencocokan fakta atau pernyataan dimulai dari bagian sebelah kanan (THEN dulu). Dengan
kata lain penalaran dimulai dari hipotesis terlebih dahulu, dan untuk menguji kebenaran
hipotesis tersebut harus dicari fakta-fakta yang ada dalam basis pengetahuan.
Contoh forward dan backward chaining dikutip dari Idhawati Hestiningsih
R1 : IF suku bunga turun THEN harga obligasi naik
R2 : IF suku bunga naik THEN harga obligasi turun
R3 : IF suku bunga tidak berubah THEN harga obligasi tidak berubah
R4 : IF dolar naik THEN suku bunga turun
R5 : IF dolar turun THEN suku bunga naik
R6 : IF harga obligasi turun THEN beli obligasi
Apabila diketahui bahwa dolar turun, maka untuk memutuskan apakah akan membeli obligasi atau tidak dapat ditunjukkan sebagai berikut :
Forward Chaining
Dari fakta dolar turun, berdasarkan Rule 5, diperoleh konklusi suku bunga naik. Dari Rule 2 suku bunga naik menyebabkan harga obligasi turun. Dengan Rule 6, jika harga obligasi turun, maka kesimpulan yang diambil adalah membeli obligasi.
Backward Chaining
Dari solusi yaitu membeli obligasi, dengan menggunakan Rule 6 diperoleh anteseden harga obligasi turun. Dari Rule 2 dibuktikan harga obligasi turun bernilai benar jika suku bunga naik bernilai benar . Dari Rule 5 suku bunga naik bernilai memang bernilai benar karena diketahui fakta dolar turun.
Soutce : http://umardanny.com/pengertian-metode-forward-dan-backward-chaining-sistem-pakar/

Inference engine I

Inference Engine (Mesin Inferensia)

Inference Engine adalah bagian yang menyediakan mekanisme fungsi berfikir dan pola-pola penalaran sistem yang digunakan oleh seorang pakar.
·   Mekanisme ini akan menganalisa masalah tertentu dan selanjutnya akan mencari jawaban atau kesimpulan yang terbaik.
·   Mesin ini akan dimulai pelacakannya dengan mencocokan kaidah-kaidah dalam basis pengetahuan dengan fakta-fakta yang ada dalam basis data. Dari fakta-fakta yang diperoleh selama proses tanya-jawab dengan user, serta aturan-aturan yang tersimpan di knowledgebase, inference engine dapat menarik suatu kesimpulan dan memberikan rekomendasi atau saran yang diharapkan oleh user.

Ada dua teknik Inference yaitu :
Forward Chaining dan Backward Chaining

Ada dua metode dasar yang bisa digunakan oleh mesin inferensi dalam mencari kesimpulan untuk mendapatkan solusi bagi permasalahan yang dihadapi sistem pakar, yaitu runut maju (forward chaining) dan runut balik (backward chaining). Berikut ini penjelasan mengenai kedua metode pencarian tersebut (Yunanto, 2003) :

1. Runut maju (Forward chaining)

Runut maju merupakan metode pencarian yang memulai proses pencarian dari sekumpulan data atau fakta, dari fakta-fakta tersebut dicari suatu kesimpulan yang menjadi solusi dari permasalahan yang dihadapi. Mesin inferensi mencari kaidah-kaidah dalam basis pengetahuan yang premisnya sesuai dengan fakta-fakta tersebut, kemudian dari aturan-aturan tersebut diperoleh suatu kesimpulan. Runut maju memulai proses pencarian dengan data sehingga strategi ini disebut juga data-driven.
2. Runut balik (Backward chaining).

Runut balik merupakan metode pencarian yang arahnya kebalikan dari runut maju. Proses pencarian dimulai dari tujuan, yaitu kesimpulan yang menjadi solusi dari permasalahan yang dihadapi. Mesin inferensi mencari aturan-aturan dalam basis pengetahuan yang kesimpulannya merupakan solusi yang ingin dicapai, kemudian dari aturan-aturan yang diperoleh, masing-masing kesimpulan dirunut balik jalur yang mengarah ke kesimpulan tersebut. Jika informasi-informasi atau nilai dari atribut-atribut yang mengarah ke kesimpulan tersebut sesuai dengan data yang diberikan maka kesimpulan tersebut merupakan solusi yang dicari, jika tidak sesuai maka kesimpulan tersebut bukan merupakan solusi yang dicari. Runut balik memulai proses pencarian dengan suatu tujuan sehingga strategi ini disebut juga goal-driven.

source : http://informatika.web.id/mesin-inferensi-inference-engine.htm
             http://artikel-teknologi-informasi.blogspot.co.id/2013/06/artikel-pengertian-sistem-pakar.html

knowladge base III

Sistem Produksi
Salah satu tipe sistem pakar yang paling terkenal adalah sistem yang berdasarkan aturan. Alasannya: modular nature, explanation facility, similarity to the human cognitive process.
1. Sistem Produksi Post
Idenya adalah sistem matematika dan logika merupakan set aturan sederhana untuk menentukan bagaimana mengubah 1 string symbol ke dalam symbol lainnya, yaitu dengan input string kejadian sebelumnya.
2. Algoritma Markov
• Merupakan kelompok produksi yang terorder diterapkan untuk prioritas ke input string.
• Diterapkan aturan/baris prioritas yang lebih tinggi.
• Masalah timbul jika sistem mempunyai aturan/baris yang banyak, maka tidak akan efisien.
• Algoritma akan berakhir dengan baik jika produksi terakhir tidak dapat diterapkan pada string atau suatu produksi berakhir dengan periode diterapkan.
• Jika input string GABKAB. Sistem produksi AB  HIJ. Maka hasil akhir GHIJKHIJ.
• Karakter ^  string nol
• Karakter tunggal a,b,c,…
• Huruf yunani α,β,…
3. Algoritma Rete
• Algoritma yang mengetahui tentang seluruh aturan/baris seluruh sistem dan dapat menerapkan suatu baris tanpa harus mencoba setiap baris tanpa berangkai.
• Merupakan gabungan pola yang sangat cepat, yang mendapatkan kecepatannya dengan menyimpan informasi tentang baris dalam jaringan.

11. Paradigma Prosedural
• Algoritma adalah metode untuk pemecahan masalah dalam sejumlah tahap/langkah tertentu.
• Implementasi algoritma dalam suatu program disebut program prosedural.
• Pemrograman algoritma prosedural dan konvensional untuk program tipe non-Al.
• Sinonim untuk pemrograman prosedural adalah program sequential.
• Pada pemrograman prosedural, programmer harus menentukan sesungguhnya bagaimana pemecahan masalah harus dicode-kan.
• Pembuat kode adalah pemrograman non prosedural.

12. Paradigma Non Prosedural
• Penekanan pemrograman non prosedural adalah penentuan apa yang akan diselesaikan dan membiarkan sistem yang menentukan bagaimana menyusunnya.

13. Artificial Neural System
Sebuah pengembangan paradigm pemrograman yang muncul pada tahun 1980-an adalah Artificial Neural System yang berdasarkan bagaimana otak memproses informasi. Paradigma ini sering juga disebut sebagai connectionism karena paradigm ini memodelkan pemecahan masalah dengan melatih simulasi neuron yang terkoneksi pada sebuah jaringan. Sistem ini potensial sebagai front-end sistem pakar yang membutuhkan sejumlah besar input dari sensor dan respon real-time.

14. Hubungan Sistem Berbasis Pengetahuan dan Belajar Induktif
Dimungkinkan untuk membangun sistem pakar menggunakan Artificial Neural System. Sebagai contoh sebuah sistem pakar medis. ANS adalah knowledge base yang dibangun berdasarkan pelatihan data pengobatan penyakit. Sistem pakar ini mencoba mengklarifikasi penyakit dari gejalanya yang diketahui dengan cara pelatihan. Inference engine MACIE (Matrix Controlled Inference Engine) dirancang menggunakan ANS knowledge base. Sistem ini menggunakan metode forward chaining untuk melakukan inferensi dan metode backward chaining untuk query data tambahan yang diperlukan terhadap user. Meskipun ANS tidak dapat menjelaskan proses yang dilakukannya seperti mengapa sebuah neuron memiliki bobot tertentu, namun MACIE dapat menginterpretasikan ANS dan menghasilkan aturan IF-THEN untuk menjelaskannya.
Sebuah sistem pakar dengan ANS menggunakan metode pembelajaran induktif, yaitu sistem menghasilkan informasi yang termuat di knowledge-base berdasarkan contoh yang diberikan. Induksi adalah proses inferensi kasus yang umum dari kasus khusus. Tujuan pembelajaran induktif adalah mengurangi atau mengeliminasi masalah kemacetan perolehan knowledge.

source : http://hetymulia-kuliah.tumblr.com/post/33593173956/sistem-berbasis-pengetahuan

knowladge base II

Kelebihan Sistem Berbasis Pengetahuan
• Availability bertambah.
• Kinerja tinggi.
• Efisiensi waktu karena respon cepat.
• Efisiensi kerja, karena biaya yang dikeluarkan untuk perancangan, implementasi, dan perawatan relatif lebih murah.
• Penyimpanan data-data pengetahuan ke dalam database dengan lengkap dan terpercaya menyebabkan informasi yang dibutuhkan bisa diakses dalam jangka waktu yang cukup lama.
• Dimungkinkan terjadinya penyatuan kemampuan sistem berbasis pengetahuan yang satu dengan yang lainnya, sehingga membuat kualitas hasil lebih meningkat.
• Dapat disebarluaskan dengan mudah dan cepat.

3. Konsep Umum Sistem Berbasis Pengetahuan
• Salah satu metode paling umum representasi pengetahuan dalam bentuk rule: IF…THEN…
• Konsep dasar dari suatu sistem pakar mengandung beberapa unsur keahlian, ahli, pengalihan keahlian, inferensi, aturan, dan kemampuan menjelaskan.

4. Karakteristik Sistem Berbasis Pengetahuan
• Mencoba menstimulasikan nalar manusia.
• Menyelesaikan masalah dengan heuristic. Aturan-aturan pada domain persoalan tersebut biasanya berupa rule of thumb yang didapat dari pengalaman yang luas.
• Inferensi dilakukan pada representasi pengetahuan.

5. Kategori Sistem Berbasis Pengetahuan
• Interpretasi, membuat kesimpulan atau deskripsi dari sekumpulan data mentah.
• Prediksi, memproeksikan akibat yang mungkin dari situasi tertentu.
• Diagnosis, menentukan sebab malfungsi dalam situasi yang didasarkan pada gejala yang diamati.
• Desain, menentukan konfigurasi komponen sistem yang cocok dengan tujuan kinerja tertentu yang memenuhi kendala tertentu.
• Perencanaan, merencanakan serangkaian tindakan yang dapat mencapai sejumlah tujuan dengan kondisi awal tertentu.
• Debugging dan Repair, menentukan dan menginterpresentasikan cara untuk mengatasi malfungsi.
• Instruksi, mendeteksi dan mengoreksi defisiensi dalam pemahaman domain subjek.
• Pengendalian, mengatur tingkah laku suatu lingkungan yang kompleks.
• Selection, mengidentifikasi pilihan terbaik dari sekumpulan kemungkinan.
• Simulation, pemodelan interaksi antara komponen sistem.
• Monitoring, membandingkan hasil pengamatan dengan kondisi yang diharapkan.

6. Pengembangan Teknologi Sistem Berbasis Pengetahuan
Akar sistem berbasis pengetahuan pada banyak disiplin ilmu “Cognitive Science” yaitu studi bagaimana orang memikirkan dalam pemecahan masalah. “Cognitive Processor” yaitu menemukan aturan yang akan diaktifkan.

7. Aplikasi dan Domain Sistem Berbasis Pengetahuan
Sistem pakar telah diaplikasikan pada hampir semua area pengetahuan. Beberapa diantaranya sebagai alat riset, sementara lainnya digunakan untuk fungsi bisnis dan industry. Beberapa kelas aplikasi sistem pakar, yaitu:
• Diagnosis, menyimpulkan masalah berdasarkan bukti yang diamati.
• Instruksi, pengajaran secara cerdas sehingga siswa dapat bertanya seperti halnya kepada pengajar manusia.
• Monitoring, membandingkan data yang diamati dengan data yang dikehendaki untuk menilai kerja.
• Perencanaan, menyarankan aksi untuk memberikan hasil yang diinginkan.
• Kontrol, mengatur proses.
Sebelum membangun sistem pakar, penting untuk diputuskan apakah perlu sebuah sistem pakar. Apakah sistem pakar merupakan solusi yang tepat bergantung dari berbagai factor, seperti:
• Dapatkah masalah dipecahkan secara efektif dengan pemrograman konvensional?
• Apakah domainnya terdefinisi dengan baik?
• Apakah ada kebutuhan dan keinginan untuk mengimplementasikans sistem pakar?
• Apakah ada paling tidak seorang pakar yang bersedia bekerja sama?
• Dapatkah pakar menjelaskan pengetahuannya sehingga dapat dipahami oleh knowledge engineer?
• Apakah pengetahuan yang digunakan dalam pemecahan masalah terutama bersifat heuristic dan tidak pasti?
8. Bahasa, Shell, dan Peralatan
• Bahasa, secara umum semua bahasa pemrograman komputer pada dasarnya dapat digunakan untuk sebuah aplikasi program yang akan dibuat, namun hanya sekedar menggunakan tanpa mengetahui kelebihan dan kekurangan dalam membuat program sistem pakar akan menyebabkan kesalahan pada program yang telah dibuat. Oleh karena itu perlu diketahui cara kerja dari bahasa pemrograman. Untuk membuat sistem pakar adalah memakai LISP dan prolog, meskipun demikian dengan menggunakan bahasa procedural dapat dilakukan tetapi mesin inferensinya harus dibuat sendiri. Bahasa pemrograman Borland Delphi 5.0 merupakan bahasa pemrograman visual yang sangat sesuai dengan keinginan pemakai saat ini. Perangkat lunak ini juga mampu berhubungan dengan Dbase dan paradox serta aplikasi lain yang mendukung.

• Shell, adalah sebuah program sistem pakar yang basis pengetahuannya masih kosong. Ada lima jenis shell berdasarkan metode representasi pengetahuan yang dipakai, yaitu:
• Simple Rule – Base Tools
Menggunakan IF-THEN dalam merepresentasikan pengetahuan alat ini dapat dijalankan pada komputer pribadi dan mengelola sampai 500 kaidah.
• Inductive Tools
Membangkitkan kaidah dari contoh-contoh dalam basis pengetahuan. Alat ini terbagi menjadi dua jenis, yaitu large inductive yang dijalankan pada main frame dan small inductive yang dijalankan pada PC.
• Structured Rule Base Tools
Menggunakan IF-THEN yang disusun dalam kaidah untuk merepresentasikan pengetahuan.
• Logic Base Tools
Menggunakan ketentuan horn dan resolusi tujuan ditentukan dengan kalkulus predikat, kebanyakan alat ini dibangun dengan prolog dalam merepresentasikan pengetahuan.
• Frame Based Tools
Sering dijabarkan sebagai object oriented secara umum menanamkan masing-masing teknik representasi pengetahuan, termasuk bingkai dalam satu paket.

• Tools, bahasa ditambah dengan program utility yang terkait untuk memfasilitasi pengembangan, debugging, dan implementasi program aplikasi. Program utility dapat berupa editor teks dan grafik, debugger, pengelolaan file, dan code generator Pada beberapa kasus sebuah tool mengintegrasikan semua fasilitasnya dalam satu lingkungan dan disajikan dalam interface yang umum bagi user. Pendekatan ini meminimalkan keharusan user untuk berpindah dari lingkungan pengerjaan tugasnya.

9. Elemen Sistem Berbasis Pengetahuan
• User interface. Komunikasi antara user dengan sistem pakar.
• Explanation facility. Pemberian alasan kepada user.
• Working memory
• Inference engine. Penentuan aturan yang harus dipenuhi, prioritas aturan yang tercukupi dan prioritas yang tertinggi.
• Agenda. Daftar yang diprioritaskan dari inference engine.
• Fasilitas perolehan pengetahuan. Cara otomatis bagi pemakai untuk memasukkan pengetahuan dalam sistem.

Source : http://hetymulia-kuliah.tumblr.com/post/33593173956/sistem-berbasis-pengetahuan

Kamis, 17 November 2016

METODE INFERENSI

METODE INFERENSI

Tree (Pohon) dan Graph

-     Tree (pohon) adalah suatu hierarki struktur yang terdiri dari Node (simpul/veteks) yang menyimpan informasi atau pengetahuan dan cabang (link/edge) yang menghubungkan node.

-     Binary tree mempunyai 0,1 atau 2 cabang per-node.
o  Node tertinggi disebut root
o  Node terendah disebut daun



                          


-     Tree merupakan tipe khusus dari jaringan semantic, yang setiap nodenya kecuali akar, mempunyai satu node orang tua dan mempunyai nol atau lebih node anak.

-     Tree adalah kasus khusus dalam Graph

-     Graph dapat mempunyai nol atau lebih link di antara node dan tidak ada perbedaan antara orangtua dan anak.
-     Dalam graph, link dapat ditunjukkan berupa panah atau arah yang memadukan node dan bobot yang merupakan karakteristik beberapa aspek dari link.

-     Beberapa contoh graph sederhana:

                      
-     Graph asiklik adalah graph yang tidak mengandung siklus.
-     Graph dengan link berarah disebut digraph.
-     Graph asiklik berarah disebut lattice.
-     Tree yang hanya dengan path tunggal dari akar untuk satu daun disebut degenerate tree.

-     Aplikasi tree dan lattice adalah pembuatan keputusan disebut decision tree dan decision lattice.

-     Contoh : decision tree yang menunjukkan pengetahuan tentang hewan.



-     Aturan produksi (IF…THEN…) dari contoh di atas :
JIKA pertanyaan=”Apakah dia bertubuh besar ?”
DAN jawaban=”Tidak”
MAKA pertanyaan=”Apakah dia mencicit?”

JIKA pertanyaan=”Apakah dia bertubuh besar ?”
DAN jawaban=”Ya”
MAKA pertanyaan=”Apakah dia mempunyai leher panjang?”
dst……


Pohon AND-OR dan Tujuan

-     Banyak tipe system pakar menggunakan backward chaining untuk mendapatkan solusi dari permasalahan.

-     Salah satu tipe dari tree atau lattice yang digunakan dalam masalah representasi backward chaining adalah Pohon AND-OR.
-    


Contoh :

Penalaran Deduktif dan Silogisme
-     Tipe-tipe Inferensi

 

Deduction

Ø Pemberian alasan logikal dimana kesimpulan harus mengikuti premis

Induction

Ø Inferensi dari khusus ke umum

Intuition

Ø Tidak ada teori yg menjamin. Jawabannya hanya muncul, mungkin dengan penentuan pola yg ada secara tidak disadari.

Heuristic

Ø Aturan yg didasarkan pada pengalaman

Generate & Test

Ø Trial dan error. Digunakan dgn perencanaan.

Abduction

Ø Pemberian alasan kembali dari kesimpulan yg benar ke premis .

Default

Ø Diasumsikan pengetahuan umum sebagai default

Autoepistemic

Ø Self-knowledge

Nonmonotonic

Ø Pengetahuan yg sebelumnya mungkin tdk benar jika bukti baru didapatkan

Analogy

Ø Kesimpulan yg berdasarkan pada persamaan untuk situasi yg lainnya.

-     Suatu logika argument adalah kumpulan dari pernyataan-pernyataan yang dinyatakan untuk dibenarkan sebagai dasar dari rantai penalaran.
-     Salah satu jenis logika argunen adalah Silogisme.
-     Contoh :
Premis     : Siapapun yang dapat membuat program 
                 adalah pintar
Premis     : John dapat membuat program
Konklusi   : Oleh karenanya John adalah pintar

Proses deduktif pada contoh di atas bergerak dari prinsip umum menuju konklusi khusus.

-     Penalaran deduktif umumnya terdiri dari tiga bagian : premis mayor, premis minor dan konklusi.

-     Premis disebut juga antecedent
-     Konklusi/kesimpulan disebut juga consequent

-     Silogisme dapat direpresentasikan ke dalam bentuk aturan JIKA…..MAKA….. (IF…THEN…..), contoh :
JIKA siapapun yang dapat membuat program adalah pintar 
        DAN John dapat membuat program
MAKA John adalah pintar

-     Silogisme klasik disebut categoricall syllogism(silogisme yang pasti)
-     Premis dan konklusi didefinisikan sebagai statement yang pasti dari empat bentuk berikut :
Bentuk
Skema
Arti
A
Semua S adalah P
Universal Afirmative 
E
Tidak S adalah P
Universal Negative 
I
Beberapa S adalah P
Particular Afirmative
O
Beberapa S bukan P
ParticularNegative

-     Subjek dari konklusi S disebut bagian minor bila predikat konklusi P adalah bagian mayor.
-     Premis terdiri dari premis mayor dan premis minor.
-     Contoh :
Premis mayor : Semua M adalah P
Premis minor : Semua S adalah M
Konklusi       : Semua S adalah P
Silogisme di atas adalah bentuk standar karena premis mayor dan minor sudah diketahui.
Contoh :
      “Semua mikrokomputer adalah computer”
Subjeknya (objek yang digambarkan) adalah mikrokomputer. 
Predikatnya (beberapa sifat subjek) adalah computer

-     M (middle term) adalah hal yang penting karena silogisme didefinisikan sedemikian sehingga konklusi tidak dapat disimpulkan dengan mengambil salah satu premis.

-     Q (quantifier) menggambarkan porsi dari kelas yang diketahui.
o  Quantifier “semua” dan “tidak” adalah universal karean menunjukkan keseluruhan kelas.
o  “beberapa” adalah khusus (particular) karena hanya menunjukkan satu bagian dari kelas yang diketahui.

-     Mood dari silogisme didefinisikan sebagai tiga huruf yang memberikan bentuk masing-masing premis mayor, minor dan konklusi.
Contoh :
            Semua M adalah P
            Semua S adalah M
            \Semua S adalah P
menunjukkan suatu mood AAA-1

-     Ada 4 kemungkinan pola susunan istilah S, P dan M :

Figure 1
Figure 2
Figure 3
Figure 4
Premis Mayor
MP
PM
MP
PM
Premis Minor
SM
SM
MS
MS
-     Tidak selalu argument yang mempunyai bentuk silogisme merupakan silogisme yang valid.
-     Contoh : Silogisme tidak valid berbentuk AEE-1
Semua M adalah P
      Tidak  S adalah M
      \Tidak S adalah P

Semua mikrokomputer adalah computer
Bukan mainframe adalah mikrokomputer
\Bukan mainframe adalah computer

-     Diperlukan prosedur keputusan (decision procedure) untuk pembuktian validitas.
-     Prosedur keputusan untuk silogisme dapat dilakukan menggunakan diagram venn tiga lingkaran yang saling berpotongan yang merepresentasikan S,P, M.

-     Contoh : Prosedur Keputusan untuk AEE-1
Semua M adalah P
      Tidak  S adalah M
      \Tidak S adalah P

 




-     Contoh : Prosedur Keputusan untuk EAE-1
Tidak M adalah P
      Semua S adalah M
      \Tidak S adalah P
        

 


Kaidah dari Inferensi

-     Diagram Venn tidak sesuai untuk argumen yang lebih kompleks karena sulit dibaca pada decision tree untuk silogisme.
-     Logika proposisi memberikan pengertian lain dari penggambaran argumen.
-     Contoh :
Jika ada daya listrik, komputer akan bekerja
Ada daya
\ Komputer akan bekerja

A = ada daya listrik
B = komputer akan bekerja

Sehingga dapat ditulis :
      AàB
      A
      \ B

-     Bentuk umum Ponens / direct reasoning / law of detachment / assuming the antecedent
pàq
p                atau   pàq,   p;    \ q
\ q

Bentuk tersebut valid, karena argumen tersebut dapat ditunjukkan sebagai suatu tautologi.
            ((pàq)Ùp) àq

Tabel Kebenaran Ponens :
p
q
pàq
((pàq)Ùp)
((pàq)Ùp) àq
T
T
T
T
T
T
F
F
F
T
F
T
T
F
T
F
F
T
F
T

-     Terdapat argumen yang menyerupai ponens namun perlu dibuktikan validitasnya.

Contoh :
Jika tidak kesalahan maka program dapat mengkompile
Program dapat mengkompile
\ Tidak ada kesalahan
pàq
q                atau   pàq,   q;    \ p
\ p
Tabel Kebenaran:
p
q
pàq
((pàq)Ùq)
((pàq)Ùq) àp
T
T
T
T
T
T
F
F
F
T
F
T
T
T
F
F
F
T
F
T
(Bukan Pones karena tidak bersifat Tautology)

-     Skema argumen lain :
pàq
~q             
\ ~p
Tabel Kebenaran:
p
q
pàq
~q
(pàq)Ù~q)
~p
((pàq)Ù~q)à~p
T
T
T
F
F
F
T
T
F
F
T
F
F
T
F
T
T
F
F
T
T
F
F
T
T
T
T
T

Argumen di atas disebut Tollens / indirect reasoning / law of contraposition.

-     Beberapa huum Inferensi
Hukum Inferensi
Skema
1. Hukum Detasemen
pàq
p     
\q         
2. Hukum Kontrapositif
pàq 
\~q à~p       
3. Hukum Modus Tollens
pàq
~q                
\ ~p
4. Aturan Rantai
    (hukum silogisme)
pàq
qàr 
\ pàr    
5. Hukum Inferensi Disjungsi
pÚq           pÚq
~p             ~q       
\ q           \ p
6. Hukum negasi
~(~p)
\ p
7. Hukum de Morgan
~(pÙq)        ~(pÚq)
\~pÚ~q     \~pÙq 
8. Hukum Simplifikasi
pÙq               pÙq
\p                \q
9. Hukum Konjungsi
p
q
\pÙq
10. Hukum Penambahan
     Disjungtif

p
\pÚq
11. Hukum Argumen
      Konjugtif
~(pÙq)           ~(pÙq)
p                    q
~q                 ~p

-     Kaidah inferensi dapat digunakan untuk argumen yang mempunyai lebih dari dua premis.
Contoh :
Harga chip naik hanya jika yen naik
Yen naik hanya jika dollar turun dan 
      jika dollar turun maka yen naik
Karena harga chip telah naik
\Dollar harus turun

Misal :   C = harga chip naik
              Y = Yen naik
              D = Dollar turun
            1.    C àY
2.    (Y àD)Ù( D àY)
3.    C
\D

-     Kondisional p àq mempunyai converse, inverse dan kontrapositif
Kondisional
p àq
Converse
q à p 
Inverse
~p à~q
Kontrapositif
~q à ~p
Jika p àq dan q à p bernilai benar, maka keduanya adalah ekuivalen.
p àqÙ q à p ekuivalen dengan p«q atau pºq.

sehingga argumen untuk contoh di atas, menjadi :
1.    C àY
2.    (Y àD)Ù( D àY)
3.    C                                       /\D
4.    YºD                                    2 ekuivalen
5.    C àD                                 1 substitusi
6.    D                                       3,5 modus ponens