Knowledge Representation

Febri Maspiyanti
Pengetahuan?
 Cari definisi “pengetahuan” menurut beberapa ahli
 Sertakan sumber referensi
Representasi Pengetahuan
 Metode yang digunakan untuk mengkodekan pengetahuan
dimaksudkan untuk menangkap sifat-sifat penting pengetahuan
untuk memecahkan problem tertentu.
 Dua bagian dasar sistem kecerdasan buatan :
1. Basis pengetahuan
• fakta tentang objek-objek dalam domain yang dipilih
• hubungan di antara domain-domain tersebut
2. Inference Engine
• Merupakan sekumpulan prosedur
• Menguji basis pengetahuan dalam menjawab suatu pertanyaan,
menyelesaikan masalah, atau membuat keputusan

(Turban, 2001)
Karakteristik Pengetahuan
 Representasi pengetahuan dapat diprogramkan dengan
beragam bahasa komputer yang ada dan dapat disimpan dalam
memori.
 Representasi pengetahuan dirancang sedemikian rupa
sehingga fakta dan pengetahuan lainnya dapat dimanfaatkan
untuk penalaran.

(Turban, 2001)
Kategori Knowledge Representation
 Representasi Deklaratif → menggunakan ekspresi logika
formal untuk merepresentasikan basis pengetahuan.
 Representasi Prosedural → menggambarkan pengetahuan
sebagai sekumpulan instruksi untuk memecahkan suatu problem.
Disebut juga “Aturan Produksi”.
 Representasi Network → pengetahuan dianggap sebagai
sebuah graf di mana node menggambarkan objek atau konsep
problem, dan garis penghubung menggambarkan hubungan atau
asosiasi antara mereka.
 Representasi Terstruktur → Representasi Terstruktur
memperluas Representasi Network dengan membuat setiap
nodenya menjadi sebuah struktur data komplek yang berisi
tempat-tempat bernama dengan nilai tertentu.
 Representasi Deklaratif
 Menggunakan ekspresi logika formal untuk merepresentasikan basis
pengetahuan.
 Logika didefinisikan sebagai ilmu untuk berpikir dan menalar dengan
benar sehingga didapatkan kesimpulan yang absah.
 Proses logika adalah proses membentuk kesimpulan atau menarik
suatu inferensi berdasarkan fakta yang telah ada.
 Input dari proses logika adalah berupa premis atau fakta-fakta yang
diakui kebenarannya sehingga dengan melakukan penalaran pada
proses logika dapat dibentuk suatu inferensi atau kesimpulan yang
bernilai benar juga.

Input Output
Premis Inferensi
Fakta Kesimpulan
 Penalaran → Kesimpulan
 Penalaran deduktif → dimulai dari prinsip umum untuk
mendapatkan kesimpulan yang lebih khusus. Contoh :
Premis Mayor : Jika hujan turun saya tidak akan berangkat kuliah
Premis Minor : Hari ini hujan turun
Kesimpulan : Hari ini saya tidak akan berangkat kuliah
 Penalaran induktif → Dimulai dari fakta-fakta khusus untuk
mendapatkan kesimpulan. Contoh :
Premis 1 : Aljabar adalah pelajaran yang sulit
Premis 2 : Geometri adalah pelajaran yang sulit
Premis 3 : Kalkulus adalah pelajaran yang sulit
Kesimpulan : Matematika adalah pelajaran yang sulit
 Logika Proposisi
 Proposisi adalah suatu pernyataan yang dapat bernilai Benar
(True) atau Salah (False). Dua atau lebih preposisi dapat
digabungkan dengan menggunakan operator logika :
• a. Konjungsi : ^ (And)
• b. Disjungsi : V (Or)
• c. Negasi : ~,¬
• d. Implikasi : (If – Then/Jika Maka)
• e. Ekuivalensi : (If and Only If/Jika dan Hanya Jika)
Logika Proposisi (2)
 Contoh Proposisi:
• 50 > 10 True
• Mata uang Indonesia adalah Rupiah True
• Ayam berkembangbiak dengan beranak False
• Akar kuadrat dari 9 adalah 2 False
Tabel Kebenaran?
A B A^B AvB ~A ~B A→B A→B
T T
T F
F T
F F
Logika Predikat
• Logika Predikat merupakan pengembangan (perluasan)
dari logika proposisi sehingga konsep objek dan relasi
antar objek dapat diekspresikan dalam bahasa logika
• Disebut juga kalkulus predikat, yang memberi tambahan
kemampuan untuk merepresentasikan pengetahuan dengan lebih
rinci.
• Memecah statement ke dalam bagian komponen yang disebut
obyek, karakteristik obyek atau beberapa keterangan obyek.
Logika Predikat (2)
 Istilah dalam Logika Predikat
• Term : kata benda atau subjek
• Predikat : properti dari term
• Fungsi proposisional = fungsi yang mendeskripsikan hubungan
Term dan Predikat
• Kuantor
– Universal: yang selalu bernilai benar (∀).
– Eksistensial: bisa bernilai benar atau salah (∃).
Logika Predikat (3)
• Contoh :
Joko adalah ayah dari Budi

• Term = Joko, Budi

• Predikat = adalah ayah dari
• Fungsi = ayah(Joko,Budi); M(j,b)

Bentuk logika predikat ➔ M(j,b)→¬M(b,j)

Logika Predikat (4)
 Contoh Kuantor Universal:
Semua gajah mempunyai belalai
G(x) = gajah
B(x) = belalai

Bentuk logika predikat:

(∀x) (G(x)→B(x))
Dibaca: untuk semua x, jika x seekor gajah, maka x mempunyai
belalai.
Logika Predikat (4)
 Contoh Kuantor Eksistensial:
Ada bilangan prima yang bernilai genap
P(x) = bilangan prima
G(x) = bernilai genap

Bentuk logika predikat:

(∃x) (P(x)∧G(x))
Dibaca: ada x, diamana x adalah bilangan prima dan x bernilai
genap.
Representasi Prosedural
 Representasi pengetahuan yang berupa aturan (rule) :
• Antecedent → mengekspresikan situasi/premis
• Konsekuen → menyatakan tindakan tertentu jika premis benar

 Contoh :
• IF lalu lintas pagi ini padat THEN saya naik sepeda motor saja
• IF hari hujan THEN saya bolos kuliah
Penalaran Maju (Forward Reasoning)
 Pelacakan dimulai dari keadaan awal (informasi atau fakta yang
ada) dan kemudian dicoba untuk mencocokkan dengan tujuan yang
diharapkan
 Gunakan jika jumlah keadaan awal lebih kecil daripada tujuan &
kejadian itu berupa fakta baru
Penalaran Mundur (Backward Reasoning)

 Penalaran dimulai dari tujuan atau hipotesa, baru dicocokkan

dengan keadaan awal atau fakta-fakta yang ada.
 Jika jumlah keadaan awal lebih banyak daripada tujuan
 Jika kejadian itu berupa query
Representasi Network
 Disebut juga sebagai Jaringan Semantik.
 Pengetahuan disusun dalam sebuah jaringan yang memiliki
komponen utama:
1. Node → menyatakan obyek, konsep, atau situasi.
Dinyatakan dengan kotak atau lingkaran.
2. Arc/Link → menyatakan hubungan antar node. Dinyatakan
dengan tanda panah.
Representasi Network (1)
 Contoh :
Sirip

Memiliki

Adalah
Hiu
Ikan

Bergerak

Berenang
Representasi Terstruktur?
 Cari contoh Representasi Terstruktur.
 Sertakan sumber referensi