REPRESENTASI PENGETAHUAN


Representasi Pengetahuan  dimaksudkan untuk menangkap sifat-sifat penting problema dan membuat informasi itu dapat diakses oleh prosedur pemecahan problema.
Ada dua entity yang yang perlu diperhatikan dalam merepresentasikan pengetahuan dalam program kecerdasan buatan:
         1.      Fakta: kejadian sebenernya. Fakta inilah yang akan kita representasikan.
         2.       Representasi dari fakta. Dari representasi ini kita akan dapat memanipulasinya menggunakan sintaks logika yang mempunyai kemungkinan.
Secara singkat, represntasi pengetahuan diklasifikasikan menjadi 4 kategori.
  • Representasi logika
Representasi jenis ini menggunakan ekspresi-ekspresi dalam logika formal untuk merepresentasikan basis pengetahuan.
  • Representasi prosedural
Representasi yang menggambarkan pengetahuan sebagai kumpulan instruksi untuk memcahkan suatu problema.
  • Representasi network
Representasi ini menangkap pengetahuan sebagai sebuah graf dimana simpul-simpulnya menggambarkan obyek atau konsep dari problema yang dihadapi, sedangkan edgenya mengambarkan hubungan atau asosiasi antar mereka.
  • Representasi terstruktur
Representasi terstruktur memperluas network dengan cara membuat setiap simpulnya menjadi struktur data kompleks.

Keuntungan dalam menggunakan representasi pengetahuan.
a.       Dapat membuat objek dan relasi yang penting menjadi jelas
b.      Menyingkap constraint (batasan) dalam suatu permasalahan sehingga suatu masalah dapat diungkap dengan menggunakan suatu relasi dengan relasi yang lain terhadap objek yang dihadapi.
c.       Mendapatkan objek dan relasi secara bersama-sama dan kita bisa melihat semuanya dalam satu waktu.
d.      Dapat menghilangkan semua komponen yang tidak berhubungan dalam masalah yang sedang kita selesaikan. Atau menyembunyikan beberapa informasi yang tidak di butuhkan untuk sementara.
e.      Membuat permasalahan menjadi transparan, kita dapat memahami dengan jelas dan menyelesaikannya.
f.        Membuat permasalahan menjadi ringkas, kita akan berpikir ringkas (merepresentasikan secara efisien dah fokus terhadap masalah).
g.       Membuat pekerjaan kita menjadi cepat dan menjadi penting.
h.      Menjadikan permasalahan secara terkomputerisasi, dengan ini kita dapat melakukan prosedur-prosedur dalam menyelesaikannya.
Representasi Pengetahuan Logika
Logika adalah bentuk representasi pengetahuan yang paling tua. Representasi jenis ini menggunakan ekspresi-ekspresi dalam logika formal untuk merepresentasikan basis pengetahuan. Pada dasaranya proses logika adalah proses membentuk kesimpulan dan menarik suatu inferensi berdasarkan fakta yang telah ada. Input dari proses logika berupa premsi atau fakta-fakta yang diakui kebenarannya sehingga dengan melakukan penalaran pada proses logika dapat dibentuk suatu inferensi atau kesimpulan yang benar pula.
Sebagai contoh :
       Helder adalah anjing, faktanya secara logika anjing(Helder)
secara logika yang lain bisa direpesentasikan bahwa anjing mempunyai ekor
      µx = anjing(x) -> berekor(x)
kemudia secara deduktif (penalaran dimulai dari prinsip umum untuk mendaptkan konklusi
yang lebih khusus) kita dapat merepresntasikan yang baru yaitu,
     berekor(anjing)
dengan logika yang lain kita dapat meg-generate kalimat sebagai berikut
     helder(berekor)

Contoh representasi pengetahuan dalam prolog
Representasi pengetahuan secara logika untuk Tree :

                        Gambar 2.1 Tree sebuah silsilah keluarga

Dari tree di atas dapat di buat representasinya secara logika sebagai berikut :
  Pertanyaan sederhana pada basis data pengetahuan 
Dari representasi tree di atas, kita dapat memberikan pertanyaan dari fakta-fakta yang sudah ada. Misalkan bentuk pertanyaannya “Siapa putri farah?” maka, representasinya dapat dinyatakan:

 Dapat di jelaskan bahwa D adalah variabel yang digunakan untuk menampung jawaban dari pertanyaan “Siapa putri farah?”. Secara logika representasinya adalah putri ( farah, D ) kita dapatkan jawabannya adalah D = naura
  
Kombinasi pertanyaan pada basis data pengetahuan 
Dari tree di atas kita dapat menanyakan “apakah afif mempunyai saudara perempuan atau tidak? Dan jika mempunyai, siapa namanya?” maka representasi logikanya :

Dapat di jelaskan bahwa P adalah variabel yang menampung nama orang tua dari afif, sementara D adalah variabel yang menampung nama saudara afif. Sehingga di dapatkan jawaban :  P = raihan     D = farah.

Latihan Representasi Pengetahuan
  1.  Seorang raja X dengan silsilah keturunannya seperti di bawah ini, sedang mencari siapa saja dari  keturunannya yang bisa menggantikan dirinya untuk menjadi raja. Tentu saja ada syaratnya untuk menjadi calon raja, yaitu dia adalah anak laki-laki dari keturunan laki-laki. Dengan menggunaka representasi logika, bantulah raja X untuk mencari siapa saja dari keturunannya yang memungkinkan untuk menggantikan dirinya.

2.  Dari tree family di bawah ini, formulasikan dalam bahasa Prolog pertanyaan tentang :
a.       Siapa orang tua basir?
b.      Siapa nenek siti?
c.       Apakah tuti mempunyai anak?

Jawaban
      1.       Representasi prolognya:
Syarat : Pengganti raja X harus keturunan laki-laki  (anak laki-laki) dari keturunan laki-laki. maka,
 
A adalah variabel yang menampung nama orang tua.
B adalah variabel yang menampung nama anak laki-laki.
Sehingga dapat di ketahui pengganti raja yang memenuhi syarat adalah bahrun, fahri dan arfan.


2. Representasi prolognya :
a.       putra ( A , basir )
      A =  siti
b.      Putra ( A , D)
      A = rita              D =  rudi
      A = rudi             D = siti
A adalah variabel yang menampung data orang tua.
B adalah variabel yang menampung data anak.
Dapat di ketahui bahwa rita adalah ibu rudi, dan rudi mempunyai anak siti, dan rita adalah nenek siti.
c.       Putra ( A , B )
A = rudi             B = tuti
                                              A = tuti              B = -
                                            Tuti tidak mempunyai anak, karena dalam tree silsilah family di atas tuti tidak mempunyai anak.

Komentar

Postingan populer dari blog ini

What is AI ??

Deep Learning : Multilayer Perceptron

Deep Learning : Neural Network