Pengantar Kecerdasan Buatan (Artificial intelegensi)

Pengantar Kecerdasan Buatan(AI)

Pengertian AI :

1. Suatu cara yang sederhana untuk membuat komputer dapat “berpikir” secara inteligent


2. Bagian dari ilmu komputer yang mempelajari perancangan sistem komputer yang inteligent, yaitu suatu sistem yang meperlihatkan karakteristik yang ada pada tingkah laku manusia, seperti mengerti suatu bahasa, mempelajari,mempertimbangkan dan memecahkan suatu masalah.


3. Suatu studi bagaimana membuat komputer dapat mengerjakan sesuatu, yang pada saat ini, orang dapat mengerjakan lebih baik


4. Bidang ilmu komputer yang memungkinkannya untuk memahami, bernalar dan bertindak.






Tujuan AI:


1. Untuk mengembangkan metode dan sistem untuk menyelesaikan masalah,masalah yang biasa diselesaikan melalui aktifivitas intelektual manusia, misalnya pengolahan citra,perencanaan, peramalan dan lain-lain, meningkatkan kinerja sistem informasi yang berbasis komputer.


2. Untuk meningkatkan pengertian/pemahaman kita pada bagaimana otak manusia bekerja














Arah AI:
Mengembangkan metode dan sistem untuk menyelesaikan masalah AI tanpa mengikuti cara manusia menyelesaikannya (sistem pakar / expert systems)
Mengembangkan metode dan sistem untuk menyelesaikan masalah AI melalui pemodelan cara berpikirnya manusia, atau cara bekerjanya otak manusia (neural networks).






Paradigma AI:


symbolic or sub-symbolic (connectionist)






Bidang-bidang Aplikasi AI






Menurut Elaine Rich : Masalah pada AI (Task Domain) :


Task Keduniaan (Mundane Task)


* Perception: Vision, Speech Recognition


* Natural Language: Understanding,


Generation, Translation


* Commonsense Reasoning


* Robot Control






Task Formal (Formal Task)


* Games (Chess, Backgamon, checkers,Go)


* Mathematics (Geometry, Logic, Integral


Calculus, Proving properties of programs)






Task Ahli (Expert Tasks)


* Engineering (Design,Fault Finding,


Manufacturing Planning)


* Scientific Analysis, Medical Diagnosis,


Financial Analysis









Bagian 2


Asumsi Dasar AI






Jantung Penelitian AI adalah : Physical Symbol System Hypothesis.






Physical Symbol System terdiri dari himpunan entitas yang dinamakan simbol, berpola fisik yang dapat menjadi komponen dari entitas tipe lain yang dinamakan Ekspresi (struktur simbol)


Struktur simbol terdiri dari sejumlah instant (Token) dari simbol-simbol yang berhubungan pada beberapa cara fisik. Selain struktur tersebut, sistem juga berisi koleksi proses-proses yang beroperasi pada ekspresi, untuk menghasilkan ekspresi lain : proses pembuatan (create), modifikasi, reproduksi, dan penghancuran (destruksi).


Jadi PSS adalah mesin yang memproduksi suatu koleksi penyusunan struktur simbol. Sistem seperti itu terdapat dalam suatu objek dunia yang lebih luas dari hanya ekspresi simbolik itu sendiri.






Perbedaan antara Pemrograman AI dan Konvensional








AI


Komputasi Konvensional



Representasi dan Manipulasi simbol


Algoritama



Memberitahu komputer tentang suatu masalah


Memerintah komputer untuk menyelesaikan masalah



Komputer diberi pengetahuan dan kemampuan inferensi


Memberi data kepada komputer dan program







Pemrograman AI :
Bila terjadi perubahan dalam program, maka tidak mengganggu seluruh “Facts” yang tersimpan dalam “Otak” (layaknya pikiran manusia/seperti informasi yang terdapat pada pikiran manusia)
Independen
Dapat Dimodifikasi tanpa mempengaruhi struktur kesluruhan program
Fleksibel à efisien dan mudah untuk dimengerti


Penyelesaian Masalah berdasarkan teknik AI






Empat hal untuk membangun sistem atau memecahkan masalah tertentu :
Definisikan masalah dengan jelas
Analisis masalah
Kumpulkan dan representasikan knowledge
Pilih teknik pemecah masalah terbaik dan gunakan untuk masalah tertentu






Mendefinisikan Masalah sebagai “State Space Search” (SSS)






Misalnya permainan catur , maka SSS nya adalah :


Menspesifikasikan posisi awal dari papan catur


Peraturan (rules) yang mendefinisikan langkah-langkah yang legal


Posisi papan yang merepresentasikan pemenang dari satu sisi atau sisi lainnya.






Tujuan (Goal) dari permainan adalah : memenangkan permainan.






Pendefinisian Masalah Sebagai Pencarian Ruang Keadaan


Masalah utama dalam membangun sistem berbasis AI adalah bagaimana mengkonversikan situasi yang diberikan ke dalam situasi lain yang diinginkan


menggunakan sekumpulan operasi tertentu.






A Water Jug Problem


Anda diberi dua buah gelas, yang satu ukuran 4 galon dan yang lain 3 galon. Kedua gelas


tidak memiliki skala ukuran. Terdapat pompa yang dapat digunakan untuk mengisi gelas


dengan air. Bagaimana anda mendapatkan tepat 2 galon air di dalam gelas 4 ukuran


galon?


Ruang masalah untuk masalah di atas dapat digambarkan sebagai himpunan pasangan


bilangan bulat (x,y) yang terurut, sedemikian hingga x = 0, 1, 2, 3, atau 4 dan y = 0, 1, 2,


atau 3; x menyatakan jumlah air dalam gelas ukuran 4 galon, dan y menyatakan jumlah


air dalam gelas ukuran 3 galon. Keadaan mula-mula adalah (0,0). State tujuan adalah


(2,n) untuk setiap nilai n.


Operator-opeartor (aturan produksi) yang digunakan untuk memecahkan masalah terlihat


pada gambar 2.2.








1.


(x,y)


If x < 4


→


(4,y)


Isi penuh gelas 4 galon
























2.


(x,y)


If y < 3


→


(x,3)


Isi penuh gelas 3 galon
























3.


(x,y)


If x > 0


→


(x-d,y)


Buang sebagian air dari gelas 4 galon
























4.


(x,y)


If y > 0


→


(x,y-d)


Buang sebagian air dari galon ukuran 3 galon
























5.


(x,y)


If x > 0


→


(0,y)


Kosongkan gelas 4 galon
























6.


(x,y)


If y > 0


→


(x,0)


Kosongkan gelas 3 galon
























7.


(x,y)


If x+y ≥4 and y > 0


→


(4,y-(4-x))


Tuangkan air dari gelas 3 galon ke gelas 4 galon sampai gelas 4 galon penuh



8.


(x,y)


If x+y ≥3 and x > 0


→


(x-(3-y),3)


Tuangkan air dari gelas 4 galon ke gelas 3 galon sampai gelas 3 galon penuh
























9.


(x,y)


If x+y ≤4 and y > 0


→


(x+y,0)


Tuangkan seluruh air dari gelas 3 galon ke gelas 4 galon
























10.


(x,y)


If x+y ≤3 and x > 0


→


(0,x+y)


Tuangkan seluruh air dari gelas 4 galon ke gelas 3 galon
























11.


(0,2)


→


(2,0)


Tuangkan 2 galon air dari gelas 3 galon ke gelas 4 galon
























12.


(2,y)


→


(0,y)


Buang 2 galon dalam gelas 4 galon sampai habis.



Gambar 2.2Aturan produksi untuk Water Jug Problem.
















Jumlah galon


Jumlah galon


Aturan yang dilakukan



dalam gelas 4 galon


dalam gelas 3 galon







0


0


-



0


3


2



3


0


9



3


3


2



4


2


7



0


2


5 atau 12



2


0


9 atau 11



Gambar 2.3Suatu solusi untuk Water Jug Problem.






























Karakteristik Masalah Dalam AI :




Apakah masalahnya dapat didekomposisi menjadi himpunan sub masalah yang (hampir) independen lebih kecil atau lebih mudah ?
Dapatkah langkah penyelesaian diacuhkan paling tidak dibatalkan ketika dapat dibuktikan hal tersebut tidak bijaksana ?
Apakah universe masalahnya dapat diprediksi ?
Apakah solusi yang baik dari masalah tertentu jelas tanpa membandingkan dengan seluruh solusi lain yang mungkin ?
Apakah solusi yang diinginkan sebuah keadaaan dari dunia atau sebuah jalur dari keadaan ?
Apa peran dari pengetahuan ?
Apakah pekerjaan memerlukan interakasi dengan manusia ?






Sistem Produksi


Sistem produksi terdiri dari:
Himpunan aturan, masing-masing terdiri dari sisi kiri (pola) yang menentukan kemampuan aplikasi dari aturan tersebut dan sisi kanan yang menggambarkan operasi yang dilalukan jika aturan dilaksanakan.
Satu atau lebih pengetahuan atau basis data yang berisi informasi apapun untuk tugas tertentu. Beberapa bagian basis data bisa permanen, dan bagian yang lain bisa hanya merupakan solusi untuk masalah saat ini. Informasi dalam basis data ini disusun secara tepat.
Strategi kontrol yang menspesifikasikan urutan dimana aturan akan dibandingkan dengan basis data dan menspesifikasikan cara pemecahan masalah yang timbul ketika beberapa aturan sesuai sekaligus pada waktu yang sama.
A rule applier (pengaplikasi aturan).


Strategi Kontrol


Syarat-syarat strategi kontrol:
cause motion. Perhatikan kembali water jug problem. Jika kita mengimplementasikan strategi kontrol sederhana dengan selalu memilih aturan pertama pada daftar 12 aturan yang telah dibuat, maka kita tidak akan pernah memecahkan masalah. Strategi kontrol yang tidak menyebabkan motion tidak akan pernah mencapai solusi.
Systematic. Strategi kontrol sederhana yang lain untuk water jug problem: pada setiap siklus, pilih secara random aturan-aturan yang dapat diaplikasikan. Strategi ini lebih baik dari yang pertama, karena menyebabkan motion. Pada akhirnya strategi tersebut akan mencapai solusi. Tetapi mungkin kita akan mengunjungi beberapa state yang sama selama proses tersebut dan mungkin menggunakan lebih banyak langkah dari jumlah langkah yang diperlukan. Hal ini disebabkan strategi kontrol tersebut tidak sistematik. Beberapa strategi kontrol yang sistematik telah diusulkan, yang biasa disebut sebagai metoda-metoda dalam teknik searching. Di bab ini, akan dibahas enam metoda, yaitu Breadth First Search, Uniform Cost Search, Depth First Search, Depth-Limited Search, Iterative-Deepening Depth-First Search, dan Bi-directional search. Masing-masing metoda tersebut mempunyai karakteristik yang berbeda.






Strategi Pencarian


Terdapat empat kriteria dalam strategi pencarian, yaitu:
Completeness: Apakah strategi tersebut menjamin penemuan solusi jika solusinya memang ada?
Time complexity: Berapa lama waktu yang diperlukan?
Space complexity: Berapa banyak memori yang diperlukan?
Optimality: Apakah strategi tersebut menemukan solusi yang paling baik jika terdapat beberapa solusi berbeda pada permasalahan yang ada?














Depth-First Search (DFS)


Pencarian dilakukan pada satu node dalam setiap level dari yang paling kiri. Jika pada level yang paling dalam, solusi belum ditemukan, maka pencarian dilanjutkan pada node sebelah kanan. Node yang kiri dapat dihapus dari memori. Jika pada level yang paling dalam tidak ditemukan solusi, maka pencarian dilanjutkan pada level sebelumnya. Demikian seterusnya sampai ditemukan solusi. Jika solusi ditemukan maka tidak diperlukan proses backtracking (penelusuran balik untuk mendapatkan jalur yang dinginkan).






Kelebihan DFS adalah:
Pemakain memori hanya sedikit, berbeda jauh dengan BFS yang harus menyimpan semua node yang pernah dibangkitkan.
Jika solusi yang dicari berada pada level yang dalam dan paling kiri, maka DFS akan menemukannya secara cepat.






Kelemahan DFS adalah:
Jika pohon yang dibangkitkan mempunyai level yang dalam (tak terhingga), maka tidak ada jaminan untuk menemukan solusi (Tidak Complete).
Jika terdapat lebih dari satu solusi yang sama tetapi berada pada level yang berbeda, maka pada DFS tidak ada jaminan untuk menemukan solusi yang paling baik (Tidak Optimal).











Gambar 2.5 Penelusuran Depth First Search untuk Water Jug Problem.


Breadth-First Search (BFS)


Pencarian dilakukan pada semua node dalam setiap level secara berurutan dari kiri ke kanan. Jika pada satu level belum ditemukan solusi, maka pencarian dilanjutkan pada level berikutnya. Demikian seterusnya sampai ditemukan solusi. Dengan strategi ini, maka dapat dijamin bahwa solusi yang ditemukan adalah yang paling baik (Optimal). Tetapi BFS harus menyimpan semua node yang pernah dibangkitkan. Hal ini harus dilakukan untuk penelusuran balik jika solusi sudah ditemukan. Gambar 2.4 mengilustrasikan pembangkitan pohon BFS untuk masalah Water Jug. Pembangkitan suksesor dari suatu node bergantung pada urutan dari Aturan Produksi yang dibuat (lihat gambar 2.3). Jika urutan dari aturan 4 ditukar dengan aturan 5, maka pohon BFS yang dibangkitkan juga akan berubah.


























Gambar 2.4 Pohon Breadth First Search untuk Water Jug Problem.






Berikut ini membahas metoda-metode yang terdapat dalam teknik pencarian yang berdasarkan pada panduan (Heuristic Search), yaitu Generate and Test, Simple Hill Climbing, Steepest-Ascent Hill Climbing, Simulated Annealing, Best First Search,Greedy Search, A Star (A*), Problem Reduction, Constraint Satisfaction, dan Means-Ends Analysis.






Generate-and-Test


Metode Generate-and-Test adalah metode yang paling sederhana dalam pencarian heuristic. Jika pembangkitan possible solution dikerjakan secara sistematis, maka prosedur akan mencari solusinya, jika ada. Tetapi jika ruang masalahnya sangat luas, mungkin memerlukan waktu yang sangat lama.






Algoritma Generate-and-Test adalah prosedur DFS karena solusi harus dibangkitkan secara lengkap sebelum dilakukan test. Algoritma ini berbentuk sistematis, pencarian sederhana yang mendalam dari ruang permasalahan. Generate & test juga dapat dilakukan dengan pembangkitan solusi secara acak, tetapi tidak ada jaminan solusinya akan ditemukan.






Algorithm: Generate-and-Test


1. Generate a possible solution. For some problems, this means generating a particular


point in the problem space. For others, it means generating a path from a start state.


2. Test to see if this is actually a solution by comparing the chosen point or endpoint of


the chosen path to the set of acceptable goal states.


3. If a solution has been found, quit. Otherwise, return to step 1.






Contoh kasus:


Untuk permasalahan sederhana maka tehnik generate & test adalah tehnik yang layak. Sebagai contoh, pada teka-teki yang terdiri dari empat kubus segi enam, dengan masingmasing sisi dari setiap kubus dicat dengan 4 warna. Solusi dari teka-teki terdiri dari susunan kubus dalam beberapa baris yang semuanya empat sisi dari satu blok baris yang menunjukkan nasing-masing warna. Masalah ini dapat diselesaikan dengan manusia


dalam beberapa menit secara sistematis dan lengkap dengan mencoba semua kemungkinan. Ini bisa diselesaikan dengan lebih cepat menggunakan prosedur generate & test. Pandangan sekilas pada empat blok yang tampak bahwa masih ada lagi, katakanlah bagian merah dari warna-warna lain yang ada. Sehingga ketika menempatkan


blok dengan beberapa bagian merah, ini akan menjadi ide yang baik untuk digunakan jika


sebagian darinya sebisa mungkin dibagian luar. Sebagian yang lain sebisa mungkin harus


ditempatkan pada blok berikutnya. Menggunakan aturan ini, banyak konfigurasi diperlukan tanpa di-explore dan sebuah solusi dapat ditemukan lebih cepat.













Bagian 3


Heuristic Beam Search






Hill Climbing


Hill Climbing berbeda Generate-and-Test, yaitu pada feedback dari prosedur test untuk membantu pembangkit menentukan yang langsung dipindahkan dalam ruang pencarian. Dalam prosedur Generate & test , respon fungsi pengujian hanya ya atau tidak. Tapi jika pengujian ditambahkan dengan atauran fungsi-fungsi yang menyediakan estimasi dari bagaimana mendekati state yang diberikan ke state tujuan, prosedur pembangkit dapat mengeksplorasi ini sebagaimana ditunjukkan di bawah. HC sering digunakan jika terdapat fungsi heuristic yang baik untuk mengevaluasi state. Sebagai contoh, anda berada di sebuah kota yang tidak dikenal, tanpa peta dan anda ingin menuju ke pusat kota. Cara sederhana adalah gedung yang tinggi. Fungsi heuristics-nya adalah jarak antara lokasi sekarang dengan gedung yang tinggi dan state yang diperlukan adalah jarak yang terpendek.






Simple HC


Algorithm: Simple HC


1. Evaluate the initial state. If it is also a goal state, then return it and quit. Otherwise,


continue with the initial state as the current state.


2. Loop until a solution is found or until there are no new operators left to be applied in


the current state:


a). Select an operator that has not yet been applied to the current state and apply it to


produce a new state.


b). Evaluate the new state:


(i) If it is a goal state, then return it and quit.


(ii) If it is not a goal state but it is better than the current state, then make it the


current state.


(iii) If it is not better than the current state, then continue in the loop.



















Gambar 3.1 Pencarian jalur menggunakan Simple Hill Climbing.






Steepest-Ascent HC








Gambar 3.2 Pencarian jalur menggunakan Steepest-Ascent Hill Climbing.


Pada gambar 3.2 di atas, terjadi ambiguitas dimana fungsi heuristik node E dan node F adalah sama. Misalkan dipilih F dan ternyata menemukan solusi di level 8. Padahal terdapat solusi lain yang lebih optimal di level 2. Hal ini dikatakan bahwa Steepest-Ascent Hill Climbing terjebak pada solusi lokal (local minima).






Algoritma Steepest-Ascent HC:


1. Evaluate initial state. If it is also a goal state, then return it and quit. Otherwise,


continue with the initial state as the current state.


2. Loop until a solution is found or until a complete iteration produces no change to


current state:


a). Let SUCC be a state such that any possible successor of the current state will be


better than SUCC.


b). For each operator that applies to the current state do:


(i) Apply the operator and generate a new state.


(ii) Evaluate the new state. If it is a goal state, return it and quit. If not, compare


it to SUCC. If it is better, then set SUCC to this state. If it is not better, leave


SUCC alone.


c). If the SUCC is better than current state, then set current state to SUCC.






Best-First Search


Merupakan metode yang membangkitkan suksesor dengan mempertimbangkan harga (didapat dari fungsi heuristik tertentu) dari setiap node, bukan dari aturan baku seperti DFS maupun BFS. Gambar 3.4 mengilustrasikan langkah-langkah yang dilakukan oleh algoritma Best First Search. Pertama kali, dibangkitkan node A. Kemudian semua suksesor A dibangkitan, dan dicari harga paling minimal. Pada langkah 2, node D terpilih


karena harganya paling rendah, yakni 1. Langkah 3, semua suksesor D dibangkitkan, kemudian harganya akan dibandingkan dengan harga node B dan C. Ternyata harga node


B paling kecil dibandingkan harga node C, E, dan F. Sehingga B terpilih dan selanjutnya


akan dibangkitkan semua suksesor B. Demikian seterusnya sampai ditemukan node Tujuan.











Gambar 3.4 Langkah-langkah yang dilakukan oleh algoritma Best First Search.






Untuk mengimplementasikan algoritma pencarian ini, diperlukan dua buah senarai, yaitu: OPEN untuk mengelola node-node yang pernah dibangkitkan tetapi belum dievaluasi dan CLOSE untuk mengelola node-node yang pernah dibangkitkan dan sudah dievaluasi. Algoritma selengkapnya adalah sebagai berikut:


Algoritma Best-Fisrt Search:


1. Start with OPEN containing just the initial state.


2. Until a goal is found or there are no nodes left on OPEN do:


a) Pick the best node on OPEN.


b) Generate its successors.


c) For each successor do:


i. If it has not been generated, evaluate it, add it to OPEN, and record its parent.


ii. If it has been generated, change the parent if this new path is better than the previous one. In that case, update the cost of getting to this node and to any successors that this node may already have.













Bagian 4


Representasi Pengetahuan


Pengetahuan dan Penalaran


Representasi pengetahuan adalah hal penting dalam intelijensia buatan. Di sini kita akan


membahas dua mathematical tools untuk merepresentasikan pengetahuan, yaitu


propositional logic (logika proposisi) dan first order logic (kalkulus predikat).

















Gambar 4.1 A generic knowledge-based agents.















Gambar 4.2 Hubungan antara sentence dan fatcs yang disediakan oleh semantik bahasa.






Tabel 4.1 Pembagian formal language




Formal Language


Apa yang ada di dunia nyata


Apa yang dipercaya agenttentang fakta



Propositional logic


Facts


True/false/unknown



First-order logic


Facts, objects, relations


True/false/unknown



Temporal logic


Facts, objects, relations, times


True/false/unknown



Probability theory


Facts


Degree of believe 0…1



Fuzzy logic


Degree of truth


Degree of believe 0…1







Propositional Logic (Propositional Calculus)














Gambar 4.3 A BNF (Backus-Naur Form) Grammar of sentences inProportional Logic



















Gambar 4.4 Aturan inferensi dalam Logika Proposisi.














First-Order Logic (Predicat Logic / Predicat Calculus)
Objects: sesuatu dengan identitas individual (people, houses, colors, …)
Properties: sifat yang membedakannya dari object yang lain (red, circle, …)
Relations: hubungan antar object (brother of, bigger than, part of, ...)
Functions: relation yang mempunyai satu nilai (father of, best friend, …)






Contoh: One plus two equals three.





Gambar 4.5 The Syntax of First-Order Logic (with equality) in BNF (Backus-Naur Form)








Konsep Dasar Representasi Pengetahuan


Representasi Pengetahuan berdasarkan LOGIKA


Proportional Logic (Zero Order Logic)


Predicate Logic (First Order Logic)






Representasi Pengetahuan berdasarkan RULES


Pengetahuan Prosedural vs Deklaratif


Logic Programming


Production Rules


Forward dan Backward Reasoning Matching






Forward and Backward Chaining

















Gambar 4.6 Algoritma Inferensi Forward-Chaining.






Semua sentence yang dapat diinferensi dari sentence p dimasukkan ke KB. Jika p baru, pertimbangkan setiap implikasi yang mempunyai premise yang sesuai dengan p. Untuk setiap implikasi seperti itu, jika semua premise yang tersisa berada dalam KB, maka simpulkan conclusion Jika premise dapat dicocokkan dengan beberapa cara






Representasi Pengetahuan Berdasarkan Slot and Filler Structures






Semantic Nets


Semantic Nets (Jaringan Semantik)


Terdapat relasi yang penting untuk inferensi, seperti isa dan instance.























Dalam Kalkulus Predikat dinyatakan (Binary predicate):


isa(Person, Mammal)


instance(Pee-Wee-Reese, Person)


team(Pee-Wee-Reese, Brooklyn-Dodgers)


uniform-color(Pee-Wee-Reese, Blue)


Dapat dilakukan Inheritance untuk menurunkan relasi tambahan:


Has-part(Pee-Wee-Reese, Nose)






Representasi Nonbinary Predicate


Jaringan Semantik untuk menggambarkan aspek dari kejadian tertentu.


Sebagai contoh: “John gave the book to Mary”.



















Frames


Frames System


Kumpulan atribut (slot) dan nilai atribut yang mendeskripsikan suatu entitas.


Nilai slot dapat berupa:


1. Identifikasi frame


2. relasi dengan frame lain (slotnya: isa, instance)


3. batasan nilai


4. nilai


5. default nilai (dapat diubah)


6. prosedur untuk mendapatkan nilai


7. prosedur yang dibangkitkan data (Data Driven): prosedur yang harus dilakukan jika


nilai diubah, misalnya: periksa konsistensi.


8. kosong: untuk ditelusuri pada subclass-nya






Jenis Frame: Kelas dan Contoh (Instance)


Atribut Kelas:


1. Atribut tentang kelas itu sendiri.


2. Atribut yang harus diturunkan pada setiap elemen dalam himpunan.















(a) A Frame-Based Knowledge Base (b) Translation into FOL










Scripts


Merupakan representasi struktur yang mendeskripsikan aliran kejadian dalam konteks tertentu. Dimaksudkan untuk mengorganisasikan CD dalam situasi tertentu.






Komponen:


1. Entry condition : kondisi awal


2. Result : kondisi akhir


3. Props : yang harus ada


4. Roles : aksi yang dibangun tiap individu


5. Track : variasi spesifik pada pola yang lebih umum


6. Scenes : potongan-potongan “adegan” dalam Script






Keuntungan:


1. Mampu memprediksi event yang tidak disebutkan secara eksplisit.


2. Menyediakan cara pembangunan interpretasi tunggal dari sekumpulan observasi.


3. Mampu memfokuskan perhatian pada event yang “tidak biasa”.






Contoh 1:


John pergi ke restaurant kemarin malam. Dia memesan steak. Saat membayar, dia


menyadari uangnya kurang. Dia cepat pulang, karena hujan mulai turun.


Question: Apakah John makan malam?


(Dijawab dengan mengaktifkan Script restaurant)


Dari soal, urutan kejadian normal, sehingga pasti script restaurant berjalan normal, jadi


John pasti melewati tahap makan.






Contoh 2:


Susan makan siang di luar. Dia duduk di meja dan memanggil pelayan. Pelayan


memberikan menu dan Susan memesan hamburger.


Question: Mengapa pelayan memberikan menu?


Script mengandung dua jawaban:


- karena Susan meminta (backward)


- agar Susan dapat menentukan apa yang ingin dimakannya (Forward)






Contoh 3:


John pergi ke restaurant. Dia ditunjukkan mejanya. John memesan steak ukuran besar.


Dia duduk dan menunggu lama. John marah dan pergi.






Conceptual Dependency (CD)






Merupakan Strong Slot-and-Filler structure karena menambahkan gagasan khusus tentang: apa tipe objek dan relasi yang diijinkan.


CD : Teori untuk merepresentasikan pengetahuan tentang kejadian yang terkandung dalam kalimat bahasa natural. Dengan catatan: menggambarkan penalaran kalimat dan tidak bergantung bahasa apa.






Contoh: I gave the man a book.











Dalam CD, representasi aksi dibangun dari himpunan aksi primitif, yaitu:








ATRANS


Transfer of abstract relationship (e.g., give)



PTRANS


Transfer of physical location of an object (e.g., go)



PROPEL


Application of the physical force to an object (e.g., push)



MOVE


Movement of a body part by its owner (e.g., kick)



GRASP


Grasping of an object by an actor (e.g., clutch)



INGEST


Ingestion of an object by an animal (e.g., eat)



EXPEL


Expulsion of something from the body of an animal (e.g., cry)



MTRANS


Transfer of mental information (e.g., go)



MBUILD


Building new information out of old (e.g., decide)



SPEAK


Production of sound (e.g., say)



ATTEND


Focusing of a sense organ toward a stimulus (e.g., listen)







Terdapat 4 katagori konseptual primitif yang dapat dibangun, yaitu:
ACTS : aksi
PPs : objek / gambaran prosedur
AAs : peubah aksi (pendukung aksi)
PAs : peubah PPs (pendukung gambaran)






Tenses:








p


Past



f


Future



t


Transition



ts


Start transition



tf


Finished transition



k


Continuing



?


Interrogative



/


Negative



nil


Present



delta


Timeless



c


Conditional







CD tidak bisa membedakan yang alurnya sama. Misalnya : give, take, steal, donate.


CD cocok untuk kalimat yang sederhana. Untuk primitif tingkat tinggi CD merepotkan.


Misal: “John bet Sam $50 that the Mets would win the World Series”