Padd Solutions

2. Inductive Reasoning
Kita menggunakan reasoning induktif untuk mengambil kesimpulan umum dari sejumlah fakta khusus tertentu.
Contoh:
Premis : Monyet di Kebun Binatang Ragunan makan pisang
Premis : Monyet di Kebun Raya Bogor makan pisang
Konklusi : Semua monyet makan pisang

3. Abductive Reasoning
Merupakan bentuk dari proses deduksi yang mengijinkan inferensi plausible.
Plausible berarti bahwa konklusi mungkin bisa mengikuti informasi yang tersedia, tetapi juga bisa salah.
Contoh:
Implikasi : Tanah menjadi basah jika terjadi hujan
Aksioma : Tanah menjadi basah
Konklusi : Apakah terjadi hujan?
IF B is True AND A implies B is true, Then A is True?

4. Analogical Reasoning
Kita mengunakan pemodelan analogi untuk membantu kita memahami situasi baru atau objek baru. Kita menggambar analogi antara 2 objek/situasi, kemudian melihat persamaan dan perbedaan untuk memandu proses reasoning.

5. Common Sense Reasoning
Melalui pengalaman, manusia belajar untk memecahkan masalahnya secara efisien.
Dengan menggunakan common sense untuk secara cepat memperoleh suatu solusi.
Dalam sistem pakar, dapat dikategorikan sebagai Heuristic.
Proses heuristic search atau best first search digunakan pada aplikasi yang membutuhkan solusi yang cepat

RESOLUSI
Definisi: 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 sejumlah aksioma dari masalah tersebut.
- Proof by Refutation, suatu teknik yang ingin membuktikan bahwa ⌐P tidak dapat menjadi TRUE.
- Resolvent : ekspresi baru yang muncul dari metode resolusi yang merupakan gabungan (union) dari aksioma yang ada dengan teorema negasi.
Misalnya :
Ada 2 aksioma:
A V B (A is True OR B is True) dan ⌐ B V C (B is Not True OR C is True).
(A V B) Λ (⌐ B V C ) = A V C
Resolvent tersebut kemudian ditambahkan pada list dari aksioma dan akan menghasilkan resolvent baru. Proses ini berulang sampai menghasilkan kontradiksi.

NON RESOLUSI
Pada resolusi, tidak ada pembedaan antara goals (tujuan), premises maupun rules. Semua dianggap sebagai aksioma dan diproses dengan rule resolusi untuk inferensi. Cara tersebut dapat menyebabkan kebingungan karena menjadi tidak jelas apa yang ingin dibuktikan.
Teknik Nonresolusi atau natural-deduction mencoba mengatasi hal tersebut dengan menyediakan beberapa statement sebagai goal-nya
Untuk membuktikan [H Λ (A → B) → C]:
If (B → C), then membuktikan (H → A)

HUKUM DALAM INFERENSI LOGIKA




BACKWARD CHAINING
Pendekatan goal-driven, dimulai dari ekspektasi apa yang diinginkan terjadi (hipotesis), kemudian mengecek pada sebab-sebab yang mendukung (ataupun kontradiktif) dari ekspektasi tersebut.
Jika suatu aplikasi menghasilkan tree yang sempit dan cukup dalam, maka gunakan backward chaining.
Beberapa sifat dari backward chaining:
1. Good for Diagnosis.
2. Looks from present to past.
3. Works from consequent to antecedent.
4. Is goal-driven, top-down reasoning.
5. Works backward to find facts that support the hypothesis. 6. It facilitates a depth-first search.
7. The consequents determine the search.
8. It does facilitate explanation.

FORWARD CHAINING
Merupakan grup dari multipel inferensi yang melakukan pencarian dari suatu masalah kepada solusinya. Jika klausa premis sesuai dengan situasi (bernilai TRUE), maka proses akan meng-assert konklusi. Forward Chaining adalah data driven karena inferensi dimulai  dengan informasi yg tersedia dan baru konklusi diperoleh
Beberapa Sifat forward chaining:
1. Good for monitoring, planning, and control
2. Looks from present to future.
3. Works from antecedent to consequent.
4. Is data-driven, bottom-up reasoning.
5. Works forward to find what solutions follow from the facts.
6. It facilitates a breadth-first search.
7. The antecedents determine the search.
8. It does not facilitate explanation.
Jika suatu aplikasi menghasilkan tree yang lebar dan tidak dalam, maka gunakan forward chaining.