KECERDASAN BUATAN (Artificial Intelligence) - PowerPoint Presentation

Slide1

KECERDASAN BUATAN(Artificial Intelligence)Materi 3

Sistem Pakar Berbasis Aturan(Rule-based Expert Systems)

Eko PrasetyoTeknik InformatikaUniv. Pembangunan Nasional Veteran Jawa Timur2011Slide2

Pengetahuan2

Pengetahun (knowledge) ?Adalah teori atau

praktek pemahaman suatu subyek atau domain.Kumpulan mengenai apa yang diketahui.Orang yang berada diposisi tersebut -> PAKAR.Misal: dokter, teknisi komputer, petani, dsb.Daerah pada domain tersebut terbatas, mis: pakar (dokter) penyakit kulit hanya memahami

secara

penuh

pada

domain

penyakit

kulit

(

tidak

untuk

penyakit

lain),

petani

udang

hanya

mengetahui

penyakit

udang

(

tidak

untuk

ikan

lain).

Secara

umum

,

pakar

adalah

orang

yang

terampil

dalam

melakukan

sesuatu

(

pemikiran

dan

tindakan

) yang

tidak

dapat

dilakukan

orang

lain.Slide3

Aturan dalam pengetahuan

3Misal, domain masalah

adalah “menyeberang jalan raya”Aturan:IF the ‘traffic light’ is greenTHEN the action is goIF the ‘traffic light’ is redTHEN the action is stopPernyataan tersebut merepresentasikan bentuk IF-THEN yang disebut “aturan produksi” atau “aturan” saja.IF-THEN umum digunakan dalam representasi pengetahuan yang berhubungan dengan

fakta

atau

informasi

dalam bagian IF untuk beberapa aksi dalam bagian THEN. Aturan memberikan deskripsi bagaimana menyelesaikan masalah.Aturan terdiri dari dua bagian: bagian IF, disebut antecedent (premise atau condition) atau fakta , dan bagian THEN yang disebut consequent (conclusion atau action) atau kesimpulan.Sinktaks dasar:IF <antecedent>THEN <consequent>

Umumnya

,

sebuah

aturan

dapat

mempunyai

gabungan

beberapa

antecedent

dengan

kata

kunci

AND

(

konjungsi

),

OR

(

disjungsi

),

atau

kombinasi

keduanya

.

IF <antecedent 1>

AND <antecedent 2>

.

.

.

AND <antecedent n>

THEN <consequent>

IF <antecedent 1>

OR <antecedent 2>

.

.

.

OR <antecedent n>

THEN <consequent>Slide4

Aturan dalam pengetahuan (2)

4Fakta aturan

disandingkan dengan dua bagian: obyek (linguistic object) dan nilainya.Mis. Obyek linguistik seperti “traffic light” bisa mempunyai nilai “red” atau “green”Obyek dan nilainya dihubungkan dengan oprator, spt: is, are, is not, are not untuk memberikan nilai simbolik pada obyek

linguistik

.

Tetapi

sistem

pakar biasanya menggunakan operator matematika untuk mendefinisikan obyek sebagai numerik dan memberikan nilai numerik padanya.Mis.:IF ‘age of the customer’ < 18AND ‘cash withdrawal’ > 1000THEN ‘signature of the parent’ is requiredKesimpulan (consequent) –sama dengan fakta- mengombinasikan obyek dan nilai yang dihubungkan oleh operator.Mis. : Nilai traffic ligh adalah green, aturan pertama nilai

obyek

linguistik

“action”

dengan

“go”

Mis

.:

IF ‘taxable income’ > 16283

THEN ‘Medicare levy’ = ‘taxable income’ * 1.5 / 100Slide5

Aturan dalam pengetahuan (2)

5Aturan dapat

merepresentasikan relations (hubungan), recommendations (saran), directives (arahan), strategies (strategi) dan heuristics (heuristik) [Durkin, 1994].RelationIF the ‘fuel tank’ is emptyTHEN the car is deadRecommendationIF the season is autumn (musim gugur)AND the sky is cloudyAND the forecast is drizzle (gerimis)THEN the advice is ‘take an umbrella’DirectiveIF the car is deadAND the ‘fuel tank’ is emptyTHEN the action is ‘refuel the car’

Strategy

IF the car is dead

THEN the action is ‘check the fuel tank’;

step1 is complete

IF step1 is complete

AND the ‘fuel tank’ is full

THEN the action is ‘check the battery’;step2 is complete

Heuristic

IF the spill is liquid

AND the ‘spill pH’ < 6

AND the ‘spill smell’ is vinegar

THEN the ‘spill material’ is ‘acetic acid’Slide6

Pemain utama sistem

pakar6Sistem

Pakar, adalah sebuah program komputer yang dapat bekerja pada level pakar manusia dalam daerah masalah yang sempit.Tipe: rule-based, case-based, dsb.Expert System Shell adalah sistem pakar yang tidak mengandung pengetahuan (komponen yang lain tetap ada).Ada 5 anggota tim pengembangan

sistem

pakar

: the domain expert, the knowledge engineer, the programmer, the project

manager and the end-user

.Slide7

Domain Expert7

Domain expert adalah orang yang bisa mengetahui

dan terampil dalam menyelesaikan masalah pada daerah atau domain spesifik.Sangat pakar dalam domain tersebut, mis: dokter, teknisi komputer, petani, dsb.Kepakarannya akan di-capture dalam sistem pakar.Pakar harus bisa mengkomunikasikan

pengetahuannya

,

berpartisipasi

dalam

pembangunan sistem pakar.Pemain yang paling penting dalam pembangunan sistem pakar.Domain expertSlide8

Knowledge Engineer8

Knowledge engineer adalah orang yang mempunyai

kemampuan perancangan, pembangunan dan pengujian sistem pakar.Bertanggung jawab untuk pemilihan pekerjaan yang tepat bagi sistem pakar.Mewawancarai domain expert untuk mencari bagaimana masalah tertentu diselesaikan.Selama interaksi wawancara, memunculkan metode penalaran

pakar

dalam

menanani

fakta dan aturan dan memutuskan bagaimana merepresentasikannya dalam sistem pakar.Bertangung jawab dalam pengujian, revisi, dan integrasi sistem pakar dalam workplace.Menyelesaikan proyek dari awal hingga akhir.Knowledge engineerSlide9

Programmer, Project Manager, End-user

9Programmer, orang yang bertanggung jawab dalam

mengimplementasikan sistem pakar dalam koding program.Harus memahami bahasa pemrograman AI, seperti: LISP, Prolog, OPS5. Juga bahasa pemrograman konvensional, spt: vb, delphi, java, dsb.Saat ini, sistem pakar (dalam skala penelitian) juga dikembangkan dengan

bahasa-bahasa

konvensional

yang

ada

.

Project Manager, pimpinan tim pengembangan sistem, bertanggung jawan untuk menjaga proyek tetap dalam track-nya.Berinteraksi dengan pakar, knowledge engineer, programmer dan end-user.End-user, orang yang menggunakan sistem pakar ketika sistem sudah selesai dikembangkan.User bisa jadi adalah pasien atau perawat dalam sebuah

klinik

kesehatan

milik

dokter

.

User

bisa

jadi

adalah

analis

kimia

dalam

menentukan

struktur

cairan

molekul

(

Feigenbaum

et al., 1971),

Dokter

yunior

dalam

diagnosis

penyakit

infeksi

darah

(

Shortliffe

, 1976)

Dsb

.Slide10

Rule-based Expert System

10Awal 1970, Newell dan Simon mengusulkan model sistem

pakar, dasar dari rule-based expert systems.Didasarkan pada ide manusia dalam menyelesaikan masalah dengan menerapkan pengetahuannya (dinyatakan sebagai aturan produksi) pada masalah yang diberikan dengan informasi masalah spesifik.Aturan produksi disimpan dalam memori

jangka

panjang

,

sedangkan

informasi masalah spesifik disimpan dalam memori jangka pendek.Ada 5 komponen inti dalam rule-based expert systems:the knowledge base, the database, the inference engine, the explanation facilities, and the user interfaceProduction system modelBasic structure of a rule-based expert systemSlide11

Struktur lengkap rule-based expert system

11External interface digunakan untuk

bekerja dengan data eksternal dan program ditulis dalam bahasa pemrograman konvensional seperti C, Pascal, dan Basic.Developer Interface termasuk knowledge base editor, debugging aids, dan fasilitas input/output.Debugging aids biasanya terdiri dari fasilitas tracing dan pemecahan paket.Tracing memberikan daftar semua aturan yang ditembak selama

program

dieksekusi

,

dan

pemecahan

paket memungkinkan untuk berhentinya sistem pakar dalam mengevaluasi setiap aturan.Slide12

Karakteristik Sistem Pakar

12SP dibangun untuk

bekerja pada level pakar manusia dalam domain yang sempit dan khusus.Karakteristik paling penting dalam SP adalah kualitas kinerja yang tinggi.Tidak peduli seberapa cepat sistem menyelesaikan masalah, user tidak akan puas jika hasilnya salah.Disisi

lain,

kecepatan

mencapai

solusi

juga sangat penting.Meskipun keputusan/diagnosis sangat akurat mungkin tidak berguna bagi user jika terlalu lama diterapkan.Misal, dalam kondisi darurat ketika pasien bisa meninggal atau reaktor nuklir mau meledak, pakar akan memotong teknik penalarannya untuk mendapatkan solusi

terdekat

.

Fitur

unik

SP

adalah

kemampuan

menjelaskan

(

explanation capability

).

Membuat

sistem

pakar

dapat

meninjau

penalarannya

dan

menjelaskan

keputusan

.

Penjelasan

dalan

SP

dalam

skop

pelacakan

atran

yang

ditembakkan

selama

sesi

problem-solving.

Bisakah

sistem

pakar

melakukan

kesalahan

(

dalam

penalaran

) ?

Pakar

paling

pandaipun

bisa

berbuat

salah

,

maka

SP

juga

bisa

salah

.

Tetapi

kita

masih

mempercayai

pakar

,

walaupun

kita

mengenali

bahwa

keputusannya

kadang-kadang

salah

.Slide13

13Slide14

Teknik Inferensi

14Dalam rule-based expert system, pengetahuan domain direpresentasikan

oleh sejumlah aturan produksi IF-THEN, sedangkan data direpresentasikan oleh sejumlah fakta mengenai situasi saat itu.Mesin inferensi membandingkan setiap aturan yang tersimpan dalam basis pengetahuan dengan fakta yang berada dalam database.Ketika bagian IF (kondisi)

aturan

cocok

dengan

fakta, aturan akan ditembak dan bagian THEN (aksi) diekskusi.Aturan yang ditembak akan mengubah sejumlah fakta dengan menambahkan fakta baru.Pencocokan bagian aturan IF pada fakta menghasilkan rantai inferensi (inference chain).Rantai inferensi menunjukkan bagaimana SP menerapkan aturan untuk mencapai

kesimpulan

.

Contoh

:

Fakta

:

A, B, C, D and E

Lakukan

penalatan

untuk

mencapai

kesimpulanSlide15

Teknik Inferensi: Forward Chaining

15Ada 2 teknik inferensi: forward chaining

dan backward chaining (Waterman and Hayes-Roth, 1978).Forward chaining adalah penalaran yang dikendalikan oleh data (data-driven reasoning). Penalaran dimulai dari data yang diketahui dan memproses maju pada data.Setiap kali hanya aturan paling atas yang akan dieksekusi.Ketika sebuah aturan ditembak, aturan akan menambahkan fakta baru

dalam

database.

Sembarang

aturan

hanya dieksekusi satu kali.Siklus penembakan pencocokan (match-fire) berhenti ketika tidak ada lagi aturan yang dapat ditembak.Forward chaining adalah teknik untuk pengumpulan informasi dan kemudian menalarnya.Beberapa aturan dapat dieksekusi meskipun aturan tersebut tidak memunculkan tujuan/kesimpulan.Slide16

Forward Chaining16

Siklus 1Rule 3, fakta X muncul.

Rule 4, fakta L munculSiklus 2Rule 2, fakta Y munculSiklus 3Rule 1, kesimpulan Z munculSlide17

Backward Chaining17

Backward chaining adalah penalaran yang dikendalikan tujuan

/kesimpulan (goal-driven reasoning).SP mempunyai tujuan (hipotesis solusi), mesin inferensi mencoba untuk mencari evidence (bukti) untuk membuktikannya.Pertama, knowledge base dicari untuk menemukan aturan yang mungkin mempunyai solusi yang dibutuhkan.Aturan harus mempunyai tujuan dalam bagian THEN (

aksi

).

Jika

aturan

ditemukan sedangkan bagian IF (kondisi) cocok dengan data dalam database, maka aturan tertembak dan tujuan terbukti.Jika tidak, maka mesin inferensi akan meletakkan aturan tersebut dalam daerah kerjanya (seut saja “stack”) dan men-setup lagi tujuan baru, sub-goal, untuk membuktikan bagian IF dalam

aturan

tersebut

.

Knowledge base

mencari

lagi

aturan

yang

dapat

membuktikannya

,

Mesin

inferensi

mengulangi

kembali

proses

tumpukan

aturan

(stacking rule)

sampai

tidak

ada

lagi

aturan

dalam

knowledge base

untuk

membuktkan

sub-goal

saat

itu

.Slide18

Backward Chaining18

Pass 1Hipotesis adalah Z.Mesin

inferensi mencoba mencari aturan yang menyimpulkan Z (hipotesis) dibagian THEN yaitu Rule 1Rule 1 membutuhkan fakta Y dan D, maka Rule 1 masuk dalam stack.Fakta Y dan D harus dimunculkan.Pass 2Mesin inferensi men-set-up sub-goal Y, mencari dalam database fakta ternyata tidak ada, maka mencari

dalam

knowledge base

aturan

yang

menyimpulkan

Y (dibagian THEN), Rule 2.Rule 2 masuk dalam stack.Fakta dalam Rule 2: X, B, dan E harus dimunculkan.Pass 3Mesin inferensi men-set-up sub-goal X, mencari dalam database fakta ternyata tidak ada, maka mencari dalam knowledge base aturan yang menyimpulkan X (dibaian THEN), Rule 3.Rule 3 masuk dalam stack.Fakta dalam Rule 3: A, harus dimunculkan.Slide19

19

Pass 4Mesin inferensi menemukan fakta

A dalam database fakta, maka Rule 3 tertembak.Fakta baru X tersimpulkan (muncul dalam database fakta).Pass 5Mesin inferensi kembali ke sub-goal Y, mencoba kembali mengeksekusi aturan 2, fakta X, D, dan E ada dalam database, maka aturan 2 tertembak.Fakta baru Y tersimpulkan

(

muncul

dalam

database

fakta

).Pass 6Mesin inferensi kembali ke Rule 1, mencoba memunculkan kesimpulan Z, fakta Y dan D dan D ada dalam database, maka tujuan awal Z akhirnya tercapai.Slide20

Forward Chaining atau Backward Chaining ?

20Jika pertama pakar perlu

mengumpulkan beberapa informasi dan mencoba menalar dari fakta apapun yang dapat dinalar, maka gunakan forward chaining.Jika pakar memulai dari hipotesis solusi dan mencoba menemukan fakta untuk membuktikannya, maka gunakan

backward chaining

inference engine.

Forward

chaining

adalah

cara alami untuk mendesain sistem pakar untuk analisis dan interpretasi. Misal DENDRAL – Sistem Pakar untuk menentukan struktur molekul dari cairan dasar yang tidak diketahui (Feigenbaum et al., 1971), menggunakan forward chaining. Kebanyakan sistem pakar dengan backward chaining digunakan untuk tujuan diagnosis. Misal, MYCIN, sistem

pakat

dunia

medis

untuk

diagnosis

penyakit

infeksi

darah

(

Shortliffe

, 1976),

menggunakan

backward

chaining.

Kebanyakan

dalan

SP yang

ada

,

mengombinasikan

diantara

keduanya

.Slide21

MEDIA ADVISOR: Rule-base Expert System

21Rule: 1if the environment is papersor the environment is manuals

or the environment is documentsor the environment is textbooksthen the stimulus_situation is verbalRule: 2if the environment is picturesor the environment is illustrationsor the environment is photographsor the environment is diagramsthen the stimulus_situation is visualRule: 3if the environment is machinesor the environment is buildingsor the environment is toolsthen the stimulus_situation is ‘physical object’Rule: 4if the environment is numbersor the environment is formulasor the environment is ‘computer programs’then the stimulus_situation is symbolicRule: 5if the job is lecturingor the job is advisingor the job is counsellingthen the stimulus_response is oralRule: 6if the job is buildingor the job is repairingor the job is troubleshootingthen the stimulus_response is ‘hands-on’

Rule: 7

if the job is writing

or the job is typing

or the job is drawing

then the

stimulus_response

is documentedRule: 8if the job is evaluatingor the job is reasoningor the job is investigatingthen the stimulus_response is analyticalRule: 9if the stimulus_situation is ‘physical object’and the stimulus_response is ‘hands-on’and feedback is requiredthen medium is workshopRule: 10if the stimulus_situation is symbolicand the stimulus_response is analyticaland feedback is requiredthen medium is ‘lecture – tutorial’Rule: 11if the stimulus_situation is visualand the stimulus_response is documentedand feedback is not requiredthen medium is videocassetteRule: 12if the stimulus_situation is visualand the stimulus_response is oraland feedback is requiredthen medium is ‘lecture – tutorial’Rule: 13if the stimulus_situation is verbaland the stimulus_response

is analytical

and feedback is required

then medium is ‘lecture – tutorial’

Rule: 14

if the

stimulus_situation

is verbal

and the

stimulus_response

is oral

and feedback is required

then medium is ‘role-play exercisesSlide22

MEDIA ADVISOR: Rule-base Expert System

22Tujuan akhir rule-based expert system adalah untuk

memunculkan solusi pada masalah data masukan.Media Advisor, solusi/kesimpulan adalah media yang dipilih dari daftar 4 pilihan:medium is workshopmedium is ‘lecture – tutorial’medium is videocassettemedium is ‘role-play exercises’Dalam dialog, SP menanyai user untuk memasukkan data yang dibutuhkan untuk menyelesaikan masalah (environment, job, dan feedback).Berdasarkan

jawaban

yang

diberikan

oleh

user, SP

menerapkan aturan dari knowledge base untuk menalar stimulus_situation adalah physical object, stimulus_response adalah hands_on.Rule 9 kemudian memilih satu dari nilai medium yang dibolehkan.Slide23

Menalar dengan Forward

Chaining23What sort of environment is a trainee dealing with on the job?

 machinesIn what way is a trainee expected to act or respond on the job?  repairingIs feedback on the trainee’s progress required during training?  required (yes) Cycle 1Rule: 3if the environment is machinesor the environment is buildingsor the environment is toolsthen the stimulus_situation is ‘physical object’ Cycle 1Rule: 6if the job is buildingor the job is repairingor the job is troubleshootingthen the stimulus_response is ‘hands-on’ Cycle 2Rule

: 9

if the

stimulus_situation

is ‘physical object’

and the

stimulus_response

is ‘hands-on’and feedback is requiredthen medium is workshopmedium is workshopTidak ada aturan yang masih dapat ditembak, Berhenti.FORWARD CHAINING: Memasukkan fakta dulu, baru disimpulkan.Slide24

Menalar dengan Forward Chaining (2)

24Kasus 1

What sort of environment is a trainee dealing with on the job?  diagramsIn what way is a trainee expected to act or respond on the job?  advisingingIs feedback on the trainee’s progress required during training?  required (yes)Kasus 2What sort of environment is a trainee dealing with on the job?  ‘computer programs’In what way is a trainee expected to act or respond on the job?  reasoningIs feedback on the trainee’s progress required during training?  required (yes)Kasus 3What sort of environment is a trainee dealing with on the job?



textbooks

In what way is a trainee expected to act or respond on the job?



drawing

Is feedback on the trainee’s progress required during training?  required (yes)Kasus 4What sort of environment is a trainee dealing with on the job?  diagramsIn what way is a trainee expected to act or respond on the job?  buildingIs feedback on the trainee’s progress required during training?  not required (no)Slide25

Menalar dengan Backward Chaining

25Hipotesis: ‘medium’ is ‘workshop’Pass 1

Mencoba Rule 9, Perlu mencari fakta ‘stimulus_situation’Rule 9, ditumpuk, fakta ‘stimulus_situation’ dicari sebagai ‘physical object’Pass 2Mencoba Rule 3, Perlu mencari fakta ‘environment’Rule 3, ditumpuk, fakta ‘environment’ dicari sebagai ‘machines’ Menanyai environment  machines ‘environment’ diinstasiasi oleh user dengan

memasukkan

‘

machines

’

Mencoba Rule 3, ‘stimulus_situation’ diinstasiasi oleh Rule: 3 menjadi ‘physical object’Pass 3Mencoba Rule 9, Perlu mencari fakta ‘stimulus_response’Rule 9, ditumpuk, fakta ‘stimulus_response’ dicari sebagai ‘hands-on’Slide26

Menalar dengan Backward Chaining (2)

26Pass 4Mencoba Rule 6, Perlu

mencari fakta ‘job’Rule 6, ditumpuk, fakta ‘job’ dicari sebagai ‘building’Menanyai job  repairing ‘job’ diinstansiasi oleh user dengan memasukkan ‘repairing’Mencoba Rule 6, ‘stimulus_response’ diinstansiasi oleh Rule 6 menjadi ‘hands-on’Pass 5Mencoba Rule 9, Perlu mencari fakta

‘

feedback’

Rule 9

ditumpuk

,

fakta

‘feedback’ dicari sebagai ‘required’Menanyai feedback  required ‘feedback’ diinstansiasi oleh user dengan memasukkan ‘required’Mencoba Rule 9, ‘medium’ diinstansiasi oleh user Rule 9 menjadi ‘workshop’medium is workshopBACKWARD CHAINING: Dimulai dari kesimpulan (hipotesis), kemudian mencari faktaSlide27

27

Pohon diagram penalaranSlide28

Menalar dengan Backward Chaining (3)

28Bagaimana jika

hipotesisnya adalah: medium is workshop ? Tetapi :environment is numbersjobs is investigatingfeedback is required (yes)Bagaimana jika hipotesisnya adalah: medium is workshop ? Tetapi :environment is photograhsjobs is writingfeedback is not required (no)Kasus Lain  Fakta tidak lengkap

Bagaimana

jika

hipotesisnya

adalah: medium is workshop ? Tetapi :environment is machinesjobs is repairingPerlu diperhatikan, backward chaining tidak selalu bertanya ketika proses penalaran, bisa dimulai dengan memasukan fakta, kemudian mulai menalar, ditengah jalan, SP bisa bertanya untuk menambah

fakta

baru

.Slide29

Kelebihan Sistem Pakar

29Representasi pengetahuan yang alami

Pakar biasanya menjelaskan prosedur penyelesaian masalah dengan pernyataan “Dalam situasi seperti ini, saya melakukan seperti ini”, ini dinyatakan dengan aturan produksi IF-THEN.Stuktur yang seragamAturan produksi menggunakan IF-THEN semua, setiap

aturan

adalah

pengetahuan

yang

independen satu sama lain.Pemisahan pengetahuan dari pemrosesan.Stuktur rule-based expert system memberikan pemisahan knowledge base dari mesin inferensi yang efektif.Agar mesin semakin pintar, maka knowledge engineer hanya menambah beberapa aturan pada knowledge base tanpa mengintervensi struktur kontrol.Menyelesaikan pengetahuan yang tidak lengkap dan tidak pasti.

Kebanyakan

rule-based expert system

dapat

merepresentasikan

dan

menalar

pengetahuan

yang

tidak

lengkap

dan

tidak

pasti

.

Misal

:

IF

season is autumn

AND sky is ‘cloudy’

AND wind is low

THEN forecast is clear {

cf

0.1 };

forecast is drizzle {

cf

1.0 };

forecast is rain {

cf

0.9 }Slide30

Kekurangan Sistem Pakar

30Hubungan yang tidak jelas

antar aturan.Meskipun individu aturan produksi secara relatif sederhana dan self-documented, interaksi logika dalam jumlah aturan yang besar bisa menjadi kabur (tidak jelas/membingungkan).Sulit diamati bagaimana setiap individu memberikan

semua

strategi

.

Masalah

ini akan terlihat ketika aturan produksi disusun dalam hirarki.Strategi pencarian tidak efisien.Mesin inferensi menerapkan exhaustive search pada semua aturan produksi disetiap siklus.Sistem pakar dengan aturan yang besar (>100) bisa menjadi lambat, dan tidak cocok untuk aplikasi

yang real-time.

Tidak

dapat

belajar

Umumnya

rule-based expert system

tidak

mempunyai

kemampuan

untuk

belajar

dari

pengalaman

.

Tidak

bisa

secara

otomatis

memodifikasi

knowledge base

atau

menyesuaikan

aturan

atau

menambah

aturan

baru

.

Knowledge engineer

masih

bertanggung

jawab

pada

revisi

dan

pengelolaan

sistem

.Slide31

Saatnya latihan mesin

inferensiForward chaining dan backward chaining31

ANY QUESTIONS ?